Ãbertragung der Studie von Frey/Osborne (2013) auf Deutschland

Transcription

ENDBERICHT
Kurzexpertise Nr. 57
Übertragung der Studie von
Frey/Osborne (2013) auf
Deutschland
an das
Bundesministerium für Arbeit und Soziales
Referat Ia 4
Wilhelmstraße 49
10117 Berlin
Mannheim, 14. April 2015
Ansprechpartner
Prof. Dr. Holger Bonin
Leiter des Forschungsbereichs
Arbeitsmärkte,
Ansprechpartner
Personalmanagement und Soziale
Sicherung
Prof. Dr. Holger Bonin (ZEW)
LL 7,
7, 11  68161
68161 Mannheim
Mannheim
Postfach
Postfach 10
10 34
34 43
43
68034
68034 Mannheim
Mannheim
E-Mail
E-Mail [email protected]
[email protected]
Telefon
Telefon +49
+49 621-1235-151
621-1235-151
Telefax
Telefax +49
+49 621-1235-225
621-1235-225
Projektteam
Prof. Dr. Holger Bonin
Dr. Terry Gregory
Dr. Ulrich Zierahn
Kurzexpertise Nr.57
Das Wichtigste in Kürze
In der aktuellen öffentlichen und populärwissenschaftlichen Debatte werden
Befürchtungen geäußert, dass technologischer Wandel und insbesondere die
Digitalisierung bald zu einem „Ende der Arbeit“ führen könnten. Solide Abschätzungen darüber gibt es bisher kaum. Viel öffentliche Aufmerksamkeit erfährt
derzeit eine Studie von Frey und Osborne (2013). Die Autoren untersuchen anhand von Experteneinschätzungen und beruflichen Tätigkeitsstrukturen die Automatisierbarkeit von Berufen in den USA. Nach ihrer Einschätzung arbeiten
derzeit 47 % der Beschäftigten der USA in Berufen, die in den nächsten 10 bis
20 Jahren mit hoher Wahrscheinlichkeit (> 70 %) automatisiert werden können.
Die vorliegende Expertise überträgt diese sogenannte Automatisierungswahrscheinlichkeit der Berufe in den USA zunächst direkt auf die entsprechenden
Berufe in Deutschland. Demnach arbeiten derzeit 42 % der Beschäftigten in
Deutschland in Berufen mit einer hohen Automatisierungswahrscheinlichkeit.
Da in erster Linie Tätigkeiten und weniger Berufe automatisiert werden und da
nicht davon ausgegangen werden kann, dass alle Beschäftigten der gleichen Berufsgruppe dieselben Tätigkeiten ausüben, verfolgt die vorliegende Expertise einen alternativen Ansatz. Dazu werden die Automatisierungswahrscheinlichkeiten anhand der Tätigkeitsstrukturen am Arbeitsplatz auf Deutschland übertragen. Demnach weisen in den USA 9 % der Arbeitsplätze Tätigkeitsprofile mit einer relativ hohen Automatisierungswahrscheinlichkeit auf. In Deutschland trifft
dies auf 12 % der Arbeitsplätze zu. Der Anteil der Arbeitsplätze mit hoher Automatisierungswahrscheinlichkeit ist für beide Länder geringer. Dies liegt voraussichtlich daran, dass Beschäftigte in nach Frey und Osborne als gefährdet eingestuften Berufen auch schwer automatisierbare Tätigkeiten ausüben. Die Automatisierungswahrscheinlichkeit fällt dennoch für Geringqualifizierte und Geringverdiener relativ hoch aus.
Die Ergebnisse erfordern eine vorsichtige Interpretation. Zunächst überschätzen Frey und Osborne voraussichtlich das technische Automatisierungspotential von Berufen oder Arbeitsplätzen, weil die Ergebnisse auf Experteneinschätzungen beruhen, die typischerweise zur Überschätzung technischer Potentiale
führen. Außerdem bleiben bei der Ermittlung des technischen Potentials gesell-
i
Kurzexpertise Nr.57
schaftliche, rechtliche und ethische Hürden bei der Einführung neuer Technologien unberücksichtigt. Das technische Automatisierungspotential ist daher voraussichtlich geringer.
Vor allem aber beziehen sich die Ergebnisse nur auf das technische Automatisierungspotential. Dies darf nicht mit möglichen Beschäftigungseffekten gleichgesetzt werden, da Maschinen Arbeitsplätze verändern können, ohne sie zu ersetzen. Die Beschäftigten können die gewonnenen Freiräume nutzen, um andere, schwer automatisierbare Aufgaben auszuüben. Selbst wenn Automatisierung unmittelbar zu Arbeitsplatzverlusten führt, entstehen durch den Wandel
zugleich neue Arbeitsplätze, beispielsweise bei der Herstellung der neuen Technologien oder aber durch höhere Produktivität und höhere Gewinne der Unternehmen, die automatisieren. Die Gesamtbeschäftigung ist daher nicht zwangsläufig gefährdet.
Dennoch setzt technologischer Wandel Arbeitskräfte der Herausforderung aus,
sich dem Wandel zu stellen. Beschäftigte müssen in die Lage versetzt werden,
den Wandel am Arbeitsmarkt zu bewältigen. Sie benötigen Qualifizierung, um
komplexere, schwer automatisierbare Aufgaben neu zu übernehmen, aber auch
um die Technologien als Arbeitsmittel zu verwenden.
In der Tendenz sind die in Folge der Automatisierung neu entstehenden Arbeitsplätze anspruchsvoller als Arbeitslätze, die wegrationalisiert werden. Mehr und
bessere Qualifizierung ist daher eine gute Vorsorge. Mögliche Politikmaßnahmen könnten also im Bereich der Weiterbildung und Umschulung, in der Förderung der betrieblichen Fortbildung und Qualifikation sowie in der Forcierung Lebenslangen Lernens liegen.
Die Zusammenhänge zwischen Automatisierung, Veränderung von Berufsbildern, Arbeitsplatzverlusten und Arbeitsplatzentstehung werden bisher aber nur
unvollständig verstanden. Um abschätzen zu können, wie mögliche Maßnahmen gestaltet sein sollten, ist weitere Forschung notwendig. Dafür braucht es
genauere Daten aus den Unternehmen, um den Zusammenhang zwischen technologischem Potential, tatsächlichem Einsatz von Technologien und dessen Folgen für Beschäftigung und Löhne analysieren zu können.
ii
Kurzexpertise Nr.57
Inhalt
Inhalt
Das Wichtigste in Kürze ........................................................................................ i
Inhalt
............................................................................................................... iii
1
Einleitung ................................................................................................1
2
Studie von Frey und Osborne .................................................................2
2.1
Beschäftigungseffekte technologischen Wandels..................................2
2.2
Technische Engpässe ..............................................................................3
2.3
Schätzung der Automatisierungswahrscheinlichkeit .............................5
2.4
Ergebnisse...............................................................................................6
3
Übertragung auf Deutschland ................................................................8
3.1
Berufsbasierte Übertragung ...................................................................8
3.2
Tätigkeitsbasierte Übertragung............................................................11
3.2.1
Hintergrund und Vorgehensweise........................................................11
3.2.2
Daten und Vorgehensweise..................................................................12
3.2.3
Ergebnisse.............................................................................................14
4
Kritische Bewertung..............................................................................18
4.1
Überschätzung technischer Möglichkeiten ..........................................18
4.2
Anpassung von Tätigkeitsbildern..........................................................19
4.3
Makroökonomische Anpassungsprozesse............................................20
5
Fazit.......................................................................................................23
6
Politikimplikationen und offene Forschungsfragen .............................25
7
Literaturverzeichnis ..............................................................................28
iii
Kurzexpertise Nr.57
Inhalt
8
Anhang..................................................................................................32
8.1
Berufsklassifikationen...........................................................................32
8.2
Zuordnungsproblem und Lösungsansätze............................................33
8.3
Ökonometrisches Modell zum tätigkeitsbasierten Ansatz...................36
8.3.1
Gewichtungsansatz...............................................................................36
8.3.2
Variablen und Definitionen ..................................................................38
8.3.3
Variablen und ihr Einfluss auf die Automatisierung.............................40
8.4
Variation der Tätigkeitsstrukturen zwischen Berufen..........................43
iv
Kurzexpertise Nr.57
Einleitung
1
Einleitung
Der rasante technologische Fortschritt geht mit Befürchtungen in der öffentlichen und populärwissenschaftlichen Diskussion einher, dass bald ein „Ende der
Arbeit“ bevorsteht und viele Arbeitsplätze bedroht sind. Solide empirische Abschätzungen zu den zukünftigen Beschäftigungswirkungen technologischen
Wandels gibt es kaum. Eine Ausnahme bildet eine aktuelle Studie von Frey und
Osborne (2013). Die Autoren untersuchen das Automatisierungspotential von
Berufen in den USA. Den Autoren zufolge arbeiten derzeit 47 % der US-amerikanischen Beschäftigten in Berufen, die in den nächsten 10 bis 20 Jahren von
Computern und Algorithmen übernommen werden könnten. Zwei weitere Studien übertragen die Ergebnisse anhand der Berufe auf Finnland (Pajarinen und
Rouvinen 2014) und Europa (Bowles 2014). Bowles (2014) liefert auch Werte
für Deutschland, allerdings lassen sich aus der Studie aufgrund der groben Übertragung nur begrenzt Aussagen für den deutschen Arbeitsmarkt ableiten. Beide
Studien nehmen zudem an, dass die Automatisierungswahrscheinlichkeit in den
Berufen der betrachteten Länder mit denen der Berufe in den USA identisch ist.
Genau genommen sind Tätigkeiten und nicht Berufe automatisierbar, zur Übertragung der Ergebnisse sollte daher auf die tatsächlich ausgeübten Tätigkeiten
zurückgegriffen werden.
Abschätzungen zu den zukünftigen Beschäftigungsveränderungen sind von besonderem Interesse für die deutsche Arbeitsmarktpolitik. Vor diesem Hintergrund erläutert die vorliegende Expertise zunächst die Ermittlung der Automatisierungswahrscheinlichkeit durch Frey und Osborne (Kapital 2). Anschließend
werden diese Werte auf Deutschland übertragen (Kapitel 3). Die vorliegende
Expertise setzt sich schließlich kritisch mit der Analyse von Frey und Osborne
auseinander um aufzuzeigen, welche Aussagen auf Grundlage der Studie möglich sind und wo eine vorsichtige Interpretation erforderlich ist (Kapital 4). Daraus wird ein Fazit über die möglichen Beschäftigungseffekte zukünftiger Technologien gezogen (Kapitel 5). Abschließend werden Handlungsimplikationen
abgeleitet und offene Forschungsfragen aufgezeigt (Kapitel 6).
1
Kurzexpertise Nr.57
Studie von Frey und Osborne
2
Im vorliegenden Abschnitt werden zunächst die Studienergebnisse von Frey und
Osborne dargestellt. Die Autoren gehen in drei Schritten vor. Zunächst begründen sie, warum technologische Neuerungen in Zukunft, anders als in der Vergangenheit, zu Beschäftigungsverlusten und Arbeitslosigkeit führen könnten.
Anschließend charakterisieren sie Tätigkeiten, die von der Automatisierung bedroht sind und solche, denen eher keine Automatisierung droht. Schließlich
schätzen Frey und Osborne auf Basis von Experteneinschätzungen die Automatisierungswahrscheinlichkeit amerikanischer Berufe. Die Schritte werden nachfolgend genauer erläutert und die Ergebnisse zusammengefasst.
2.1
Beschäftigungseffekte technologischen Wandels
Befürchtungen, dass technologischer Wandel zur Obsoleszenz menschlicher Arbeitskraft führen könnte, sind nicht neu. Bislang sind jedoch Arbeitsplatzverluste im größeren Umfang ausgeblieben. Es stellt sich daher zunächst die grundsätzliche Frage, weshalb dies für Technologien des 21. Jahrhunderts anders sein
sollte. Frey und Osborne dokumentieren anhand der wissenschaftlichen Literatur ausführlich, wie technologischer Wandel in der Vergangenheit Arbeitsmärkte verändert hat, ohne dass damit Massenarbeitslosigkeit einherging. Anschließend werfen sie die Frage auf, ob zukünftige Technologien zur Obsoleszenz menschlicher Arbeit führen können.
Dazu greifen sie zunächst auf ein theoretisches Modell von Aghion und Howitt
(1994) zurück. Neue Technologien führen dem Modell nach zu höherem Wachstum, wodurch neue Firmen und Arbeitsplätze entstehen. Durch diesen sogenannten Kapitalisierungseffekt (capitalization effect) entstehen mehr neue Arbeitsplätze und die Arbeitslosigkeit sinkt. Daneben führen neue Technologien
auch zu einer stärkeren Reallokation von Arbeit. Die Reallokation erhöht sich,
weil menschliche Fähigkeiten schneller obsolet werden und Beschäftigte sich
häufiger neue Arbeitsstellen suchen müssen. Die Dauer der Beschäftigungsverhältnisse sinkt, was häufigere Arbeitsplatzsuche erfordert und zu einer höheren
(Such-)Arbeitslosigkeit führt. Dieser Effekt wird als kreative Zerstörung (creative
destruction) bezeichnet. Frey und Osborne nach dominierte in der Vergangen-
2
Kurzexpertise Nr.57
heit der Kapitalisierungseffekt. Sie verweisen dazu auf die Fähigkeit von Menschen, mithilfe von Bildung neue Kenntnisse zu erlernen, um ihren komparativen Vorteil gegenüber Maschinen aufrechtzuhalten.
Nach Einschätzungen der Autoren wird es für Beschäftigte in Zukunft allerdings
schwieriger werden, sich im „Rennen gegen die Maschinen“ durchzusetzen.
Grund dafür sind die rasanten Entwicklungen im Bereich maschinelles Lernen,
künstliche Intelligenz und mobile Robotik, die dazu führen, dass Maschinen immer stärker in Tätigkeitsbereiche vordringen, die bislang dem Menschen vorbehalten waren. Um diese Einschätzung zu untermauern, führen Frey und Osborne zahlreiche Beispiele neuer Technologien heran, die belegen sollen, dass
Computer zunehmend Arbeitsplätze sowohl in kognitiven Tätigkeiten als auch
in manuellen Tätigkeiten bedrohen. Der Fokus der Diskussion liegt dabei auf
dem Bedrohungspotential existierender Beschäftigungsverhältnisse. Das Entstehen neuer Tätigkeitsfelder, Berufe und Arbeitsplätze – und damit mögliche
positive Beschäftigungseffekte – lassen die Autoren explizit außen vor.
2.2
Technische Engpässe
Basierend auf der Diskussion neuer Technologien und ihrer Anwendungsfelder
erweitern Frey und Osborne gedanklich das Modell von Autor et al. (2003). Dieses geht davon aus, dass Routinetätigkeiten durch Maschinen ersetzt werden,
während Nichtroutinetätigkeiten komplementär zum Kapitaleinsatz stehen. Da
neue Technologien zunehmend auch Nichtroutinetätigkeiten übernehmen können, unterscheiden Frey und Osborne allgemeiner zwischen Tätigkeiten, die eher empfänglich für die Substitution von Kapital und Arbeit sind und solchen,
bei denen das weniger der Fall ist. Letztere bezeichnen Frey und Osborne als
technische Engpässe (Engineering Bottlenecks). Die Autoren definieren drei Tätigkeitskategorien, bei denen sie technische Engpässe erwarten.
Die erste Kategorie umfasst Wahrnehmungs- und Manipulationstätigkeiten.
Dies sind Tätigkeiten, die auf der Fähigkeit beruhen, sich in komplexen und unstrukturierten Umgebungen zurechtzufinden. Hier hat der Mensch komparative
Vorteile gegenüber Maschinen. Bei diesen Tätigkeiten bestehen technische
Engpässe etwa hinsichtlich der Identifizierung von Fehlern und anschließender
Ausbesserung, wie etwa beim versehentlichen Fallenlassen eines Objektes beim
3
Kurzexpertise Nr.57
Transport. Für die Ingenieure stellt auch das Planen der Abläufe für einen Roboter beim Transport eines Objektes eine große Schwierigkeit dar. Frey und Osborne glauben nicht, dass diese Herausforderungen schon bald von Ingenieuren
gelöst werden.
Die zweite Kategorie beinhaltet kreativ-intelligente Tätigkeiten, also Tätigkeiten, die Kreativität voraussetzen. Unter Kreativität verstehen die Autoren dabei
die Fähigkeit, neue und wertvolle Ideen oder Artefakte zu entwickeln. Dies umfasst beispielsweise Konzepte, Reime, Musikkompositionen oder wissenschaftliche Theoreme. Zwar ließen sich Tätigkeiten in diesem Bereich prinzipiell automatisieren. Allerdings verändert sich das Empfinden der Gesellschaft für Kreativität im Zeitablauf und unterscheidet sich zwischen Kulturen, was die Automatisierung erschwert. Insgesamt glauben die Autoren nicht, dass Berufe mit einem hohen Bedarf an Kreativität in den nächsten Jahrzehnten ersetzt werden.
Die dritte Kategorie bezieht sich auf sozial-intelligente Tätigkeiten. Hierbei handelt es sich um Tätigkeiten, deren Bewältigung soziale Intelligenz voraussetzt,
wie etwa beim Verhandeln, Überzeugen oder in der Pflege. Trotz neuer Forschung bleibt die Erkennung von Emotionen und insbesondere die intelligente
Reaktion hierauf eine herausfordernde Tätigkeit für Maschinen. Um die
menschlichen Emotionen gänzlich nachahmen zu können, wären mehr Erkenntnisse über die Funktionen des Gehirnes notwendig, um beispielsweise zu erkennen, welche Informationen überhaupt relevant sind. Frey und Osborne gehen
nicht davon aus, dass dieses Problem in den nächsten Jahrzehnten von Ingenieuren gelöst wird.
Diese technischen Engpässe setzen der Substituierbarkeit menschlicher Arbeit
durch Maschinen Grenzen. Allerdings weisen die Autoren auch darauf hin, dass
diese Grenzen zum Teil durch die Zerlegung von Engpass-Tätigkeiten in einzelne
für Maschinen lösbare Probleme überwunden werden können. Dennoch gehen
die Autoren im weiteren Vorgehen davon aus, dass Engpass-Tätigkeiten nicht
automatisiert werden können. Umgekehrt nehmen die Autoren dadurch implizit an, dass alle anderen Tätigkeiten automatisierbar sind.
4
Kurzexpertise Nr.57
2.3
Schätzung der Automatisierungswahrscheinlichkeit
Ziel von Frey und Osborne ist, die Automatisierbarkeit von Berufen durch die
Computerisierung abzuschätzen. Frey und Osborne nähern sich der Frage, indem sie für jeden Beruf ein Maß für die Automatisierungswahrscheinlichkeit
bestimmen.
Als Datenbasis nutzen die Autoren die „O*Net“-Daten des US-amerikanischen
Arbeitsministeriums für das Jahr 2010. Diese Daten enthalten Informationen zu
903 Berufen, darunter ausführliche Tätigkeitsbeschreibungen. Frey und Osborne nehmen dadurch implizit an, dass sich zwar die Tätigkeitsprofile zwischen
Berufsgruppen unterscheiden, für Beschäftige derselben Berufsgruppe jedoch
gleich sind. Zudem unterstellen sie, dass die Tätigkeitsprofile von Berufen in Zukunft unverändert bleiben. Die 903 Berufe ordnen sie den 702 Berufen der Standard Occupational Classification (SOC) auf 6-Steller-Ebene zu. Falls mehrere
O*Net-Berufe einem SOC-Beruf gegenüberstehen, bilden sie den Durchschnitt
der jeweiligen Tätigkeitswerte. Somit erhalten die Autoren für jeden SOC-Beruf
einen Wert. Durch diese Übertragung können sie Lohn- und Beschäftigtendaten
des Bureau of Labor Statistics zuspielen.
Basierend auf den Daten deklarieren sie anschließend in einem ersten Schritt
70 der 702 Berufe anhand von Experteneinschätzungen entweder als „1 – automatisierbar“ oder „0 – nicht automatisierbar“. Die Einschätzungen erfolgten
durch Robotik-Expertinnen und -Experten eines speziell dafür anberaumten
Workshops beim Oxford University Engineering Sciences Department. Diese befragten sie danach, ob der jeweilige Beruf mit dem aktuellen Stand der Technik
automatisierbar ist, vorausgesetzt, dass die Tätigkeiten des Berufes hinreichend
klar spezifiziert sind und genügend Daten zur Verfügung stehen. Frey und Osborne klassifizieren nur diejenigen Berufe als automatisierbar, bei denen sich
die Expertinnen und Experten sicher sind – dies trifft auf 70 der insgesamt 702
Berufe zu. In einem zweiten Schritt übertragen sie die subjektive Einteilung der
70 Berufe mit Hilfe der O*Net-Daten auf die verbleibenden 632 Berufe. Dazu
schätzen die Autoren auf Basis eines statistischen Modells für die 70 Berufe, wie
gut die Einteilung in automatisierbar/nicht-automatisierbar durch neun ausgewählte Tätigkeiten, die die drei technischen Engpässe widerspiegeln, erklärt
werden kann.
5
Kurzexpertise Nr.57
Auf Basis des Modells können sie anschließend die Automatisierbarkeiten für
die verbleibenden Berufe extrapolieren. Das Modell liefert schließlich für jeden
Beruf eine Automatisierungswahrscheinlichkeit zwischen 0 % und 100 %. Der
Wert gibt an, wie wahrscheinlich es ist, dass der Beruf von den Expertinnen und
Experten als automatisierbar eingeschätzt wird. Die Autoren unterscheiden zwischen drei Risikogruppen: niedriges (weniger als 30 %), mittleres (zwischen 30 %
und 70 %) und hohes (höher als 70 %) Risiko.
2.4
Ergebnisse
Frey und Osborne vermuten, dass es zu zwei großen Automatisierungswellen
kommt. Im Rahmen einer ersten Welle – in den nächsten 10 bis 20 Jahren –
werden zunächst Berufe mit einer hohen Automatisierungswahrscheinlichkeit
sukzessive automatisierbar. Dies betrifft 47 % der Beschäftigten in den USA, die
damit unter einem hohen Risiko stehen, dass ihre Arbeitsplätze automatisiert
werden.
Nach dieser Welle erwarten die Autoren eine nur sehr langsame Substitution
menschlicher Arbeit durch Maschinen für Berufe mit mittlerem Risiko, da zunächst die technischen Engpässe überwunden werden müssen. Im Rahmen einer zweiten Automatisierungswelle werden nach Überwindung der technischen
Engpässe auch Berufe mit einer niedrigen Automatisierungswahrscheinlichkeit
durch Computer automatisierbar und sind daher von Automatisierung bedroht.
Dies betrifft 33 % der Beschäftigten.
Frey und Osborne schreiben nicht ausdrücklich, dass die nach ihrer Einschätzung automatisierbaren Berufe auch tatsächlich automatisiert werden. Sie interpretieren ihre Automatisierungswahrscheinlichkeit allerdings trotzdem nicht
nur im Sinne der Wahrscheinlichkeit, dass diese Berufe automatisiert werden
können, sondern auch in dem Sinne, dass die entsprechenden Arbeitsplätze in
Gefahr („at risk“) sind. Letztlich setzen sie das technologische Automatisierungspotential dadurch mit dem Risiko der tatsächlichen Automatisierung
gleich.
In einer weiteren Analyse vergleichen die Autoren die Automatisierungswahrscheinlichkeit der Berufe mit den Löhnen und der Qualifikation der Beschäftigten in dem jeweiligen Beruf. Die Automatisierungswahrscheinlichkeit eines Berufes sinkt mit dem Lohn und dem Ausbildungsniveau. Die Automatisierung
6
Kurzexpertise Nr.57
könnte also vorwiegend Beschäftigte mit einem niedrigen Bildungsabschluss
und Geringverdiener treffen.
7
Kurzexpertise Nr.57
Übertragung auf Deutschland
3
In diesem Abschnitt werden zunächst die Ergebnisse von Frey und Osborne vereinfachend auf Basis eines berufsbasierten Ansatzes auf Deutschland übertragen. Anschließend wird eine realistischere tätigkeitsbasierte Übertragung
durchgeführt, die berücksichtigt, dass Tätigkeiten und weniger Berufe als solche
automatisiert werden.
3.1
Berufsbasierte Übertragung
Zur Übertragung der Ergebnisse von Frey und Osborne auf Deutschland wird
zunächst, analog zu den Übertragungsstudien von Pajarinen und Rouvinen
(2014) und Bowles (2014), vereinfachend eine berufsbasierte Übertragung umgesetzt. Dieser Ansatz nutzt Unterschiede in der Berufsstruktur der Länder aus,
um daraus auf unterschiedliche Automatisierungswahrscheinlichkeiten zu
schließen. So zeigt eine Aggregation der Berufe, dass in den USA mehr Akademiker und Führungskräfte, in Deutschland hingegen mehr Bürokräfte und Handwerker beschäftigt sind (siehe Abbildung 1). Dies lässt eine höhere Automatisierungswahrscheinlichkeit in Deutschland vermuten, da Bürokräfte und Handwerker den Ergebnissen von Frey und Osborne nach im Durchschnitt eine höhere Automatisierungswahrscheinlichkeit aufweisen als Akademiker und Führungskräfte.
Unter der Annahme, dass deutsche und US-amerikanische Beschäftigte in den
Berufen vergleichbare Tätigkeitsprofile aufweisen, können die von Frey und Osborne ermittelten Automatisierungswahrscheinlichkeiten auf Deutschland
übertragen werden. Dazu wird für Deutschland die Klassifikation der Berufe
(KldB) verwendet.1 Hierbei entsteht ein Zuordnungsproblem, denn einem KldBBeruf können aufgrund nicht-eindeutiger Zuordnungen mehrere Berufe der von
Frey und Osborne verwendeten SOC und damit mehrere potentielle Automatisierungswahrscheinlichkeiten zugewiesen werden.
1
Eine Übersicht über die hier verwendeten Berufsklassifikationen findet sich in Anhang 8.1.
8
Kurzexpertise Nr.57
Abbildung 1: Berufsstruktur Deutschland und USA
Führungskräfte
Akademiker
Techniker
Bürokräfte
Dienstleistungsberufe
Landwirtschaft, Fischerei
Handwerker
Deutschland
Maschinenbediener
USA
Hilfsarbeitskräfte
0%
5%
Quelle: OECD (2013), Berechnungen des ZEW.
10%
15%
20%
Anteil der Beschäftigten
25%
Um mit dem Zuordnungsproblem umzugehen, könnte man den Median der potentiellen Automatisierungswahrscheinlichkeiten eines KldB-Berufes ermitteln
und untersuchen, wie sich die Beschäftigten auf diese Berufe verteilen (Medianwertansatz). Wählt man den Median aller möglichen Automatisierungswahrscheinlichkeiten eines KldB-Berufes, so treten große und kleine Automatisierungswahrscheinlichkeiten seltener auf. Es kommt zu einer Verzerrung zur
Mitte. In dieser Studie wird daher umgekehrt vorgegangen. Jedem KldB-Beruf
können mehrere SOC-Berufe und damit mehrere Automatisierungswahrscheinlichkeiten zugewiesen werden. Die Beschäftigten eines KldB-Berufes werden
gleichmäßig auf die zugehörigen SOC-Berufe und deren Automatisierungswahrscheinlichkeiten verteilt (Gleichverteilungsansatz). In dem Ausmaß, wie die Annahme der Gleichverteilung verletzt ist, kommt es zur Unschärfe. Vergleiche für
die USA zeigen aber, dass der Gleichverteilungsansatz zu geringerer Unschärfe
führt als der Medianwertansatz (siehe Anhang 8.2).
Die Daten von Frey und Osborne werden zunächst mithilfe einer Korrespondenztabelle des Bureau of Labor Statistics auf die International Standard Classification of Occupations (ISCO) übertragen, um sie anschließend anhand einer
Korrespondenztabelle der Bundesagentur für Arbeit auf 3-Steller-Ebene der
KldB zu transferieren.
9
Kurzexpertise Nr.57
Abbildung 2: Automatisierungswahrscheinlichkeit, Vergleich Deutschland
und USA
Deutschland
USA
25%
20%
15%
10%
5%
0%
Automatisierungswahrscheinlichkeit
Quelle: Frey und Osborne (2013), Bureau of Labor Statitics (2015), Bundesagentur für Arbeit
(2014), Berechnungen des ZEW.
Abbildung 2 zeigt die Ergebnisse für Deutschland auf Basis der berufsbezogenen
Übertragung. Zum Vergleich sind in der Abbildung auch die Ergebnisse von Osborne und Frey für die USA abgebildet. Demnach sind in Deutschland weniger
Beschäftigte in Berufen der höchsten Risikokategorie (ab 90 %) beschäftigt und
stattdessen mehr Beschäftigte in Berufen der niedrigen Risikokategorien tätig.
Allerdings sind die Unterschiede gering. Wählt man die Risikoklassen von Frey
und Osborne (2013) – geringes Risiko: 0 %-30 %, mittleres Risiko: 30 %-70 %,
hohes Risiko: 70 %-100 % – so arbeiten 42 % der deutschen und 49 %2 der USamerikanischen Beschäftigten in Berufen mit einer hohen Automatisierungswahrscheinlichkeit nach Frey und Osborne. Weniger Deutsche arbeiten demnach in Berufen, die von Frey und Osborne als Risikoberufe eingestuft werden.
Dem liegt die Gleichverteilungsannahme zugrunde, was zu einer gewissen Unschärfe führen könnte.
2
Frey und Osborne (2013) weisen einen Wert von 47 % aus. Es ergeben sich leichte Unterschiede dadurch, dass uns nicht die Beschäftigtendaten der Autoren zur Verfügung stehen
und wir stattdessen direkt auf die Statistiken des Bureau of Labor Statistics zurückgreifen.
10
Kurzexpertise Nr.57
Die Ergebnisse vernachlässigen jedoch, dass sich die Tätigkeiten von Beschäftigten einer gleichen Berufsgruppe unterscheiden, wie Autor und Handel (2013)
für die USA demonstrieren. So führen Beschäftigte in den von Osborne und Frey
als „gefährdet" eingestuften Berufen möglichweise auch analytische und interaktive Tätigkeiten durch, die als weniger automatisierbar gelten. Dies könnte zu
einer Überschätzung des Automatisierungspotentials führen. Zudem ist die Tätigkeitsstruktur derselben Berufe zwischen Deutschland und den USA möglicherweise nicht vergleichbar, so dass in den USA als „gefährdet“ eingestufte Berufe in Deutschland nicht „gefährdet“ sein müssen und umgekehrt.
3.2
Tätigkeitsbasierte Übertragung
3.2.1
Hintergrund und Vorgehensweise
Die berufsbasierte Berechnung der Automatisierungswahrscheinlichkeiten beruht auf der Annahme, dass Beschäftigte in den gleichen Berufsgruppen ähnliche Tätigkeiten ausüben. Zum anderen wird bei der Übertragung auf Deutschland angenommen, dass sich Tätigkeiten zwischen Deutschland und den USA in
den gleichen Berufen wenig unterscheiden. Um dies zu überprüfen, werden
zwei Tätigkeitsfelder definiert – analytische und interaktive Tätigkeiten. Beides
sind Tätigkeitsfelder, welche in der Literatur typischerweise als schwer automatisierbar eingeschätzt werden. Für jede Person wird ermittelt, welchen Anteil
aller analytischen Tätigkeiten die Person sehr häufig ausübt, analog für interaktive Tätigkeiten (Abbildung 3). So geben etwa 54 % (65 %) der deutschen Führungskräfte in der PIAAC-Befragung an, häufig analytische (interaktive) Tätigkeiten auszuüben.
Die Ergebnisse verdeutlichen, dass Führungskräfte und Akademiker im Vergleich zu Maschinenbedienern und Hilfsarbeitskräften im größeren Maße analytische und interaktive Tätigkeiten ausüben. Allerdings zeigen die Auswertungen auch, dass in allen Berufsgruppen ein substantieller Anteil der Beschäftigten schwer automatisierbaren analytischen und interaktiven Tätigkeiten nachgeht. Somit könnte die Automatisierungswahrscheinlichkeit für viele Beschäftigte in den von Osborne und Frey als „gefährdet" eingestuften Berufen geringer
ausfallen als angenommen. Abbildung 3 zeigt zudem, dass sich das Ausmaß analytischer und interaktiver Tätigkeiten in den Berufsgruppen zwischen Deutschland und den USA unterscheidet.
11
Kurzexpertise Nr.57
Abbildung 3: Tätigkeitsprofile Deutschland und USA im Vergleich
Führungskräfte
Akademiker
Techniker
Bürokräfte
Dienstleistungsberufe
Landwirtschaft, Fischerei
analytisch Deutschland
analytisch USA
interaktiv Deutschland
interaktiv USA
Handwerker
Maschinenbediener
Hilfsarbeitskräfte
0% 10% 20% 30% 40% 50% 60% 70% 80%
Anteil der Tätigkeiten
Um die Automatisierbarkeit von Tätigkeiten in den Blickpunkt zu nehmen, wird
daher nachfolgend die Automatisierungswahrscheinlichkeit auf Grundlage der
Tätigkeiten am Arbeitsplatz anstatt anhand der Berufe übertragen. Der Ansatz
beruht auf der Annahme, dass Tätigkeiten in Deutschland dieselben Automatisierungswahrscheinlichkeiten aufweisen wie in den USA. Es wird davon ausgegangen, dass Automatisierungstechnologien in beiden Ländern zur Ausübung
derselben Tätigkeiten eingesetzt werden.3 Die Annahme der tätigkeitsbasierten
Übertragung ist damit im Vergleich zum berufsbasierten Ansatz weniger restriktiv.
3.2.2
Daten und Vorgehensweise
Als Grundlage für den Ansatz dient der PIAAC-Datensatz. Das PIAAC (Programme for the International Assessment of Adult Competencies) ist ein Projekt
3
Zusätzlich wird dadurch angenommen, dass die Technologien in beiden Ländern denselben Einfluss auf die Automatisierungswahrscheinlichkeit eines Arbeitsplatzes haben. Diese
Annahme könnte beispielsweise dann verletzt sein, wenn sich die Tätigkeitsstrukturen der
Arbeitsplätze in beiden Ländern sehr stark unterscheiden. Dieses Problem kann aber nur
mit einer direkten Ermittlung der Automatisierungswahrscheinlichkeit für Deutschland und
nicht mit einer Übertragung der Werte aus den USA überwunden werden.
12
Kurzexpertise Nr.57
der OECD und verfolgt das Ziel, Kompetenzen von Erwachsenen international
vergleichbar zu erheben, ähnlich den PISA-Studien für Schüler. Neben Kompetenz-Tests werden die Teilnehmer der Studie unter anderem zu ihren Tätigkeiten am Arbeitsplatz befragt. Der zentrale Vorteil der PIAAC-Daten für die vorliegende Studie besteht darin, dass dieselben Tätigkeiten vergleichbar für die USA
und Deutschland erhoben werden.
Zur tätigkeitsbasierten Übertragung der Automatisierungswahrscheinlichkeit
wird zunächst mithilfe eines ökonometrischen Modells geschätzt, wie die Automatisierungswahrscheinlichkeit von Tätigkeiten der Beschäftigten in den USA
abhängt. Hier entsteht erneut ein Zuordnungsproblem, denn die PIAAC-Daten
beinhalten für Deutschland und die USA nur die vergleichsweise grobe ISCO-2Steller-Ebene. In der Folge können jedem Beschäftigten im PIAAC-Datensatz
mehrere Automatisierungswahrscheinlichkeiten zugeordnet werden. Eine
Möglichkeit besteht darin, den Mittelwert über alle zugeordneten Werte zu bilden. Da dies zu Ungenauigkeiten führt, wird mittels eines Gewichtungsansatzes
derjenige Wert ermittelt, der statistisch am wahrscheinlichsten ist. Die Idee besteht darin, Informationen aus Beobachtungen mit einer vergleichsweise klaren
Zuordnung auszunutzen, um daraus Rückschlüsse für Beobachtungen mit unklaren Zuordnungen zu treffen. Der Ansatz wird in Anhang 8.3 genauer beschrieben.
Mithilfe des Ansatzes können den Beobachtungen die Automatisierungswahrscheinlichkeiten genauer zugeordnet werden, wenn zwei Bedingungen erfüllt
sind. Erstens ist erforderlich, dass es genügend Beobachtungen gibt, bei denen
die Zuordnung der Automatisierungswahrscheinlichkeiten ausreichend klar ist.
Die zweite Bedingung besteht darin, dass sich die Tätigkeitsstrukturen zwischen
Arbeitsplätzen mit hoher und mit geringer Automatisierungswahrscheinlichkeit
ausreichend unterscheiden. Nur dann besteht in den Daten ein Zusammenhang
zwischen Automatisierungswahrscheinlichkeit und Tätigkeiten, der durch das
statistische Modell erfasst werden kann.
Die Untersuchungen legen nahe, dass die erste Bedingung erfüllt ist (siehe Abbildung 7 im Anhang 8.2). Im Ergebnis zeigt sich aber, dass der Ansatz dennoch
nur begrenzt eine bessere Zuordnung der Automatisierungswahrscheinlichkeiten erreicht. Die zweite Bedingung ist nicht ausreichend erfüllt. Dies lässt darauf
13
Kurzexpertise Nr.57
schließen, dass in den Daten kein klarer Zusammenhang zwischen Automatisierungswahrscheinlichkeit und Tätigkeiten besteht. Die Tätigkeitsstrukturen von
Berufen mit hoher und geringer Automatisierungswahrscheinlichkeit unterscheiden sich nur eingeschränkt. Beschäftigte in Berufen mit nach Frey und Osborne hoher Automatisierungswahrscheinlichkeit führen zum Teil ähnliche Tätigkeiten aus wie Beschäftigte in Berufen mit nach Frey und Osborne geringer
Automatisierungswahrscheinlichkeit.
Das ist eine zentrale Schlussfolgerung. Tätigkeitsstrukturen unterscheiden sich
nicht nur zwischen Berufen, sondern auch Beschäftigte desselben Berufes führen teilweise sehr unterschiedliche Tätigkeiten an ihren Arbeitsplätzen aus. Dies
ist aus der Forschung bekannt (Autor/Handel 2013). Eine ergänzende Analyse
bestätigt dies auch anhand der PIAAC-Daten für die USA und Deutschland (siehe
Anhang 8.4). Tätigkeiten, die zu einer geringeren Automatisierungswahrscheinlichkeit führen, werden von vielen Beschäftigten anscheinend auch in Berufen
ausgeübt, die Frey und Osborne als Risikoberufe einstufen. So gehen beispielsweise interaktive Tätigkeiten, wie Informationen auszutauschen, zu beeinflussen oder zu verhandeln mit geringeren Automatisierungswahrscheinlichkeiten
einher. Solche Tätigkeiten sind über die Berufe hinweg verbreitet.
3.2.3
Ergebnisse
Abbildung 4 zeigt die Ergebnisse für die tätigkeitsbasierte Übertragung. Den Berechnungen nach liegt der Anteil der Arbeitsplätze mit hoher Automatisierungswahrscheinlichkeit (> 70 %) in Deutschland bei 12 %, während er in den USA
lediglich 9 % beträgt. Damit fällt die Automatisierungswahrscheinlichkeit auf
Grundlage der tätigkeitsbasierten Übertragung im Vergleich zur berufsbasierten Übertragung deutlich geringer aus.
Die Automatisierungswahrscheinlichkeiten nehmen in der tätigkeitsbasierten
Übertragung häufiger mittlere Werte an, d.h. es kommt seltener vor, dass der
tätigkeitsbasierte Ansatz besonders hohe oder geringe Automatisierungswahrscheinlichkeiten zuweist. Dies ist darauf zurückzuführen, dass Beschäftigte in
Berufen mit nach Frey und Osborne hoher Automatisierungswahrscheinlichkeit
oft auch schwer automatisierbare interaktive Tätigkeiten ausüben. Aus diesem
Grund weist der tätigkeitsbasierte Ansatz diesen Beschäftigten geringe Automatisierungswahrscheinlichkeiten zu, was im berufsbasierten Ansatz unberücksichtigt bleibt.
14
Kurzexpertise Nr.57
Abbildung 4: Tätigkeitsbasierte Übertragung
15%
10%
Deutschland
USA
5%
0%
Quelle: Frey und Osborne (2013), OECD (2013), Berechnungen des ZEW.
Im Vergleich zu den USA ist der Anteil der Arbeitsplätze mit hoher Automatisierungswahrscheinlichkeit in Deutschland etwas größer. Dies ist auf Unterschiede
in den Tätigkeitsstrukturen der Länder zurückzuführen. Die Unterschiede in den
Tätigkeitsstrukturen beider Länder sind zwar vergleichsweise klein – siehe Anhang 8.3.3 für einen detaillierten Vergleich der Tätigkeitsstrukturen beider Länder – es fallen aber einzelne Tätigkeiten auf, die in den USA häufiger ausgeführt
werden als in Deutschland und die mit einer geringeren Automatisierungswahrscheinlichkeit einhergehen. Dies umfasst die TätigkeitenPersonen unterrichten,
Präsentieren, Aktivitäten Anderer planen und Bücher/Anleitungen lesen. Dies
sind Tätigkeiten, die im Zusammenhang mit Fortbildung, Zusammenarbeit und
Management stehen und die zum Teil schwer automatisierbar sind. Die Arbeitsplätze sind in den USA stärker auf diese Bereiche fokussiert als Arbeitsplätze in
Deutschland, was die tendenziell höheren Automatisierungswahrscheinlichkeiten für Deutschland erklären könnte.
Die Automatisierungswahrscheinlichkeit unterscheidet sich deutlich zwischen
den Einkommens- und Qualifikationsgruppen. Abbildung 5 zeigt den Zusammenhang zwischen der Automatisierungswahrscheinlichkeit und dem Bildungsniveau. Die Bildungsgruppen werden anhand der International Standard Classi-
15
Kurzexpertise Nr.57
fication of Education (ISCED) unterteilt. Während etwa Beschäftigte mit Elementar- oder Primarbildung in Deutschland eine Automatisierungswahrscheinlichkeit von 80 % aufweisen, liegt der Wert für Beschäftigte mit Promotion bei
lediglich 18 %. Die Abbildung verdeutlicht, dass die Automatisierungswahrscheinlichkeit umso geringer ausfällt, je höher das Bildungsniveau der Beschäftigten ist. Für die USA zeigt sich ein sehr ähnliches Bild.
Abbildung 5: Automatisierungswahrscheinlichkeit und Bildung
Elementar- / Primarbereich
Sekundarbereich I
Sekundarbereich II
Postsekundarer nichttertiärer Bereich
Fachschul-, Berufsakademie-Abschluss
Universitäts-, Hochschulabschluss
Promotion
Deutschland
USA
0%
25%
50%
75%
100%
Ein ähnlicher Zusammenhang ist beim Einkommen zu erkennen. Dazu zeigt Abbildung 6 den Zusammenhang zwischen der Position in der Einkommensverteilung und der Automatisierungswahrscheinlichkeit. Die Beschäftigten mit den
10 % geringsten Einkommen (<10%) stehen in Deutschland beispielsweise einer
61-prozentigen Automatisierungswahrscheinlichkeit gegenüber. Bei den 10 %
Beschäftigten mit den höchsten Einkommen (90%-100%) beträgt die Automatisierungswahrscheinlichkeit lediglich 20 %. Die Auswertungen verdeutlichen,
dass die Automatisierungswahrscheinlichkeit auch mit dem Einkommensniveau
der Beschäftigten sinkt. Dieser Zusammenhang gilt sowohl für die USA als auch
für Deutschland.
16
Kurzexpertise Nr.57
Abbildung 6: Automatisierungswahrscheinlichkeit und Einkommen
Einkommensgruppe
<10%
10%-25%
25%-50%
50%-75
75%-90%
Deutschland
USA
90%-100%
0%
20%
40%
60%
80%
17
Kurzexpertise Nr.57
Kritische Bewertung
4
Kritische Bewertung
Frey und Osborne illustrieren anschaulich, wie Automatisierungstechnologien
immer weiter in Tätigkeitsbereiche vordringen, die bislang dem Menschen vorbehalten waren. Damit adressieren die Autoren ein hoch-aktuelles und wenig
erforschtes Thema, dessen Bedeutung aufgrund der rasanten technologischen
Entwicklung in Zukunft voraussichtlich an Bedeutung gewinnen wird. Die Ergebnisse der Studie sollten allerdings mit Vorsicht interpretiert werden. Frey und
Osborne identifizieren lediglich existierende Berufe, die nach subjektiven Einschätzungen von Expertinnen und Experten zukünftig einem Wandel unterliegen werden. Dies muss jedoch nicht bedeuten, dass diese Berufe vom Aussterben bedroht sind oder Arbeitslosigkeit im größeren Ausmaß zu befürchten ist.
Dies ist auf drei Gründe zurückzuführen. Erstens werden technische Möglichkeiten oft überschätzt. Zweitens können neue Technologien Arbeitsplätze verändern, ohne sie zu beseitigen und Beschäftigte können die gewonnenen Freiräume nutzen, um schwer automatisierbare Aufgaben auszuüben. Drittens lassen die Autoren makroökonomische Anpassungsprozesse, die der Verdrängung
von Arbeitsplätzen entgegenwirken können, explizit außen vor. Diese Aspekte
werden nachfolgend vertieft.
4.1
Überschätzung technischer Möglichkeiten
Die Ergebnisse von Frey und Osborne beruhen im hohen Maße auf den subjektiven Einschätzungen von Robotik-Experten zur Automatisierbarkeit von Berufen. Problematisch hierbei ist, dass Experten nach einer Studie von Autor (2014)
dazu neigen, die Einsatzmöglichkeiten und praktische Relevanz neuer Technologien zu überschätzen. Insbesondere werden die komparativen Vorteile von
Menschen bei Tätigkeiten mit hohen Anforderungen an Flexibilität, Urteilskraft
und gesundem Menschenverstand unterschätzt. Solche Fähigkeiten sind nur
schwer greifbar und setzen implizites Wissen voraus. Die Herausforderungen
der Robotik, solche für Menschen einfach zu bewerkstelligende Tätigkeiten zu
automatisieren, bleiben immens und setzen der Mensch-Maschine-Substitution
Grenzen. Die zugrundeliegende Annahme der Experteneinschätzungen, dass
Berufe hinreichend genug spezifiziert sind und genügend Daten zur Verfügung
18
Kurzexpertise Nr.57
Kritische Bewertung
stehen, ist daher fraglich. Die von Frey und Osborne aufgeführten Engpass-Tätigkeiten sind voraussichtlich unvollständig, was zu einer Überschätzung der Automatisierungswahrscheinlichkeit beiträgt.
Zudem können der praktischen Umsetzung neuer Technologien rechtliche, gesellschaftliche und ethische Hürden entgegenstehen, die von Frey und Osborne
vernachlässigt werden. Dies verdeutlicht das Beispiel des autonomen Fahrens.
So ist beispielsweise völlig unklar, ob Autofahrer den Algorithmen von Programmierern die vollkommene Kontrolle über ihr Fahrzeug überlassen werden. Zudem können rechtliche Hürden bestehen, wie etwa im Falle eines Unfalls, der
von einem automatisierten Auto verursacht wurde. Schließlich werfen solche
Technologien ethische Fragen auf, wenn etwa ein Algorithmus zwischen dem
Rammen eines PKWs oder LKWs entscheiden muss. Dies muss nicht zwangsläufig heißen, dass solche Hürden nicht überwunden werden können, jedoch
könnte dies die Einführung erschweren und verzögern. Laut einer Studie der
Boston Consulting Group (2015) wird der Anteil automatisierter Fahrzeuge bis
2035 lediglich auf 10 % ansteigen. Technische Automatisierungspotentiale werden daher weder zwangsläufig noch zeitnah umgesetzt.
4.2
Anpassung von Tätigkeitsbildern
Welche Arbeitsplätze in Zukunft aufgrund neuer Automatisierungstechnologien
wegfallen, hängt weniger von den Berufen als solchen, sondern vielmehr von
den Tätigkeitsprofilen der jeweiligen Arbeitsplätze ab. Bisherige Studien zeigen
zwar, dass technologischer Wandel zu einem Rückgang von Beschäftigungsverhältnissen mit überwiegend automatisierbaren Tätigkeiten führt (Autor et al.
2003, Spitz-Oener 2006). Diese Studien zeigen aber auch, dass ein Großteil der
Anpassung dadurch erfolgt, dass die Beschäftigten ihre Tätigkeitsstrukturen anpassen und vermehrt schwer automatisierbare Tätigkeiten ausüben. Der technologische Wandel könnte daher verstärkt zu Anpassungen in Betrieben führen.
Maschinen werden dabei vermutlich verstärkt Tätigkeiten übernehmen, die
leicht automatisierbar sind. Arbeitskräfte werden ihre Tätigkeiten voraussichtlich stärker auf schwer automatisierbare Aufgaben verlagern (Autor 2013). Die
neuen Technologien werden dann als Arbeitsmittel genutzt, Mensch und Maschine werden komplementär im Produktionsprozess eingesetzt. Neue Technologien können daher Arbeitsplätze verändern, ohne sie zu beseitigen und die
19
Kurzexpertise Nr.57
Kritische Bewertung
gewonnen Freiräume können von den Beschäftigten genutzt werden, um
schwer automatisierbare Aufgaben durchzuführen.
Automatisierungstechnologien müssen somit nicht notwendigerweise Arbeitsplätze verdrängen. Solange Beschäftigte in der Lage sind, ihre Fähigkeiten entsprechend der veränderten Anforderungen in Betrieben anzupassen und neue
Technologien als Arbeitsmittel einzusetzen, sind ihre Arbeitsplätze nicht
zwangsläufig bedroht. Die Ergebnisse von Frey und Osborne zeigen aber auch,
dass die Automatisierungswahrscheinlichkeit für Geringqualifizierte größer ist.
Das deutet darauf hin, dass zukünftige Technologien vor allem Tätigkeiten mit
geringen Qualifikationsanforderungen übernehmen können. Das Aufgabenspektrum menschlicher Arbeit wird sich also voraussichtlich stärker auf komplexe nicht-automatisierbare Aufgaben mit höheren Qualifikationsanforderungen verschieben.
4.3
Makroökonomische Anpassungsprozesse
Frey und Osborne konzentrieren sich ausschließlich auf die Verdrängung von
Arbeitsplätzen aufgrund der Substitution von menschlicher Arbeit durch Maschinen. Die Autoren vernachlässigen makroökonomische Anpassungsprozesse,
die der Verdrängung von Arbeitsplätzen entgegenwirken. Somit erlaubt die Studie keine Aussagen über die Gesamtbeschäftigungseffekte technologischen
Wandels. Die Autoren schreiben explizit, dass sie keine Effekte auf die Gesamtbeschäftigung schätzen. Dies ist für die Interpretation der Automatisierungswahrscheinlichkeit relevant, da sie nicht mit der tatsächlichen Beschäftigungsveränderung gleichgesetzt werden darf, wie es in der öffentlichen Debatte teilweise geschieht. Fehlinterpretationen könnten damit zusammenhängen, dass
die Autoren ihre Ergebnisse als „Bedrohung von Arbeitsplätzen“ und „Bedrohung von Beschäftigung“ („number of jobs at risk“, „employment at risk“) interpretieren.
Das technische Automatisierungspotential führt nicht zwangsläufig zur tatsächlichen Automatisierung und damit zum Wegfall von Arbeitsplätzen. Dies hängt
erstens von der künftigen Entwicklung der relativen Faktorpreise und des Arbeitsangebots ab. So ist zwar mit weiterhin sinkenden Preisen für Computer und
Sensoren zu rechnen, allerdings ist ungewiss, wann die Gewinnschwelle für zum
Teil komplexe und aufwendige Systeme wie etwa das vollautomatisierte Auto
20
Kurzexpertise Nr.57
Kritische Bewertung
oder andere Robotik-Systeme erreicht sein wird. Auch wenn Produktionsabläufe aus technischer Sicht automatisiert werden können, so kann es dennoch
günstiger oder anderweitig betriebswirtschaftlich sinnvoller sein, auf menschliche Arbeitskraft oder auf eine Kombination von Mensch und Maschine zu setzen. Allerdings können starke Steigerungen der Lohnkosten die unternehmerischen Anreize zur verstärkten Nutzung von Automatisierungstechnologien weiter erhöhen.
Zweitens setzen die Weiterentwicklung und Einführung neuer Automatisierungstechnologien voraus, dass ein genügend großes Angebot von Fachkräften
mit speziellem Knowhow vorhanden ist. So zeigen beispielsweise Janssen und
Mohrenweiser (2014) in einer noch unveröffentlichten Studie, dass die rechnergestützte numerische Steuerung (Computerized Numerical Control, CNC) im Bereich der Zerspanungstechniker erst breite Anwendung erlangte, nachdem der
Umgang mit der CNC-Technologie in die Ausbildungsordnung integriert wurde.
Die Firmen passten ihre Technologie somit erst an, als genügend Fachkräfte für
den Umgang mit diesen Technologien verfügbar waren.
Selbst wenn Arbeitsplätze durch technologischen Wandel wegfallen, entstehen
zugleich neue Arbeitsplätze. Für eine Quantifizierung der Gesamtbeschäftigungseffekte ist daher die Berücksichtigung weiterer makroökonomischer Anpassungsprozesse notwendig. Graetz und Michaels (2015) stellen für 17 Länder
fest, darunter Deutschland, dass in den Sektoren, die verstärkt Industrieroboter
einsetzen, sich Arbeitsproduktivität, Löhne und Wertschöpfung erhöht haben,
ohne dass die Zahl der Arbeitsstunden der Beschäftigten gesunken ist. Anpassungsprozesse auf Sektor-Ebene haben demnach verhindert, dass der Einsatz
arbeitssparender Industrieroboter mit einem Rückgang des Arbeitseinsatzes
einherging. Die Gesamtbeschäftigungseffekte hängen daher von Anpassungsprozessen auf Sektorebene und generell von makroökonomischen Anpassungsprozessen ab.
Arntz et al. (2014) fassen die Ergebnisse zur Bedeutung makroökonomischer
Anpassungsprozesse für die Gesamtbeschäftigungseffekte technologischen
Wandels in einer Expertise zusammen. So entstehen durch technologischen
Wandel neue Arbeitsplätze in den Sektoren, die diese Technologien produzieren. Zudem kommt es im Zuge des technologischen Wandels zu Kostenredukti-
21
Kurzexpertise Nr.57
Kritische Bewertung
onen, die in Form von Preissenkungen die Nachfrage steigern und die Produktion erhöhen können, was wiederum der Beschäftigung zugutekommt. Die Kostenreduktionen können zudem zu einer Rückverlagerung der Produktion von
Billiglohnländern zurück ins Inland führen (reshoring) und mit Beschäftigungszuwächsen im Inland einhergehen. Die Freisetzung von Arbeit könnte die Löhne
drücken, was die Arbeitsnachfrage nach den nun günstigeren Arbeitskräften
wieder erhöhen könnte. Schließlich können Kosteneinsparungen infolge neuer
Technologien – in Abhängigkeit der Verhandlungsmacht – den nicht-freigesetzten Arbeitskräften in Form höherer Einkommen zugutekommen, was den Konsum steigern und so zu neuer Produktion und neuen Arbeitsplätzen führen
könnte. In der Theorie kann der Effekt auf die Gesamtbeschäftigung daher
durchaus positiv ausfallen. Die bisherige empirische Evidenz lässt eher keine negativen Effekte auf die Gesamtbeschäftigung erwarten. Allerdings ist die Zahl
aktueller empirischer Studien zu den makroökonomischen Effekten eher gering
(vgl. Arntz et al. 2014). Fortschritte in der Verfügbarkeit detaillierter Daten und
der Methoden zur Identifikation kausaler Effekte der letzten 10 bis 20 Jahre
würden mittlerweile eine bessere Identifikation der Gesamtbeschäftigungseffekte ermöglichen. So ermitteln beispielsweise Acemoglu et al. (2015) anhand
aktueller Methoden und detaillierter Daten die Gesamtbeschäftigungseffekte
chinesischer Importe in den USA.
22
Kurzexpertise Nr.57
Fazit
5
Fazit
In Deutschland arbeiten 42 % der Beschäftigten in Berufen, die nach Frey und
Osborne mit einer hohen Wahrscheinlichkeit in den nächsten 10 bis 20 Jahren
automatisierbar sein werden. Genau genommen sind aber Tätigkeiten und nicht
Berufe als solche automatisierbar. Berücksichtigt man dies, so sind in Deutschland nur 12 % der Beschäftigten durch Automatisierung betroffen. Geringqualifizierte und geringverdienende Beschäftigte sind durch die Automatisierung
stärker gefährdet.
Diese von Frey und Osborne ermittelte und in der vorliegenden Expertise auf
Deutschland übertragene Automatisierungswahrscheinlichkeit erfordert allerdings eine vorsichtige Interpretation. Zunächst überschätzen die Ergebnisse das
technische Automatisierungspotential von Berufen oder Arbeitsplätzen, weil sie
auf Experteneinschätzungen beruhen, die typischerweise zur Überschätzung
technischer Potentiale führen und weil bei der Ermittlung des technischen Potentials gesellschaftliche, rechtliche und ethische Hürden der Einführung neuer
Technologien nicht berücksichtigt werden.
Vor allem erfordert die Automatisierungswahrscheinlichkeit eine vorsichtige Interpretation, weil sie in der Rezeption der Studie zum Teil missverstanden wird
als die Rate, mit der Berufe in Zukunft in Folge von Automatisierungsprozessen
obsolet werden und wegfallen. Tatsächlich handelt es sich bei dieser Größe aber
um ein technisches Automatisierungspotential, dass die prinzipielle Automatisierbarkeit von Arbeitsplätzen anhand von beruflichen Tätigkeitsstrukturen,
technischen Engpässen und Expertenbefragungen erfasst, das aber nicht mit
der sich im ökonomischen Prozess tatsächlich einstellenden Automatisierungsrate gleichgesetzt werden darf.
Von der Automatisierungswahrscheinlichkeit kann nicht auf Gesamtbeschäftigungseffekte geschlossen werden. Denn häufig verändern neue Technologien
Arbeitsplätze, ohne sie zu beseitigen und die gewonnen Freiräume können von
den Beschäftigten genutzt werden, um schwer automatisierbare Tätigkeiten
auszuüben. Technische Potentiale werden sich in der Unternehmenspraxis zudem weder zwangsläufig noch unmittelbar durchsetzen, so dass die Arbeitsplätze durch das technische Potential nicht unmittelbar bedroht sind. Selbst
wenn Automatisierung unmittelbar Arbeitsplätze kostet, entstehen durch den
23
Kurzexpertise Nr.57
Fazit
Wandel zugleich auch neue Arbeitsplätze, etwa bei der Herstellung der Technologie, oder durch höhere Produktivität und größere Unternehmensgewinne.
Insgesamt bleiben größere Gesamtbeschäftigungseffekte durch zukünftigen
technologischen Wandel daher unwahrscheinlich. Dennoch wird sich das Aufgabenspektrum von Arbeitskräften voraussichtlich verändern. Zukünftig könnte
sich menschliche Arbeit stärker auf komplexe nicht-automatisierbare Aufgaben
konzentrieren, die Qualifikationsanforderungen könnten steigen.
Die Automatisierungswahrscheinlichkeit liefert somit wichtige Hinweise darauf,
in welchen Berufen der Anpassungsdruck an zukünftige Automatisierungstechnologien vergleichsweise hoch ist und welche Personenkreise künftig auf eine
stärkere Unterstützung angewiesen sein könnten, um sich im Wandel anzupassen und ihre Beschäftigungsfähigkeit zu erhalten. Dies könnte ein Ansatzpunkt
für politische Maßnahmen sein, gefährdete Beschäftigungsgruppen zielgerichtet auf den Wandel vorzubereiten und im Wandel zu begleiten.
24
Kurzexpertise Nr.57
Politikimplikationen und offene Forschungsfragen
6
Die Ergebnisse der vorliegenden Studie sprechen gegen eine größere Gefahr
von Arbeitsplatzverlusten aufgrund des technologischen Wandels, solange sich
die Beschäftigten weiterhin genügend an den Wandel anpassen. Allerdings wird
der Anpassungsprozess zwischen Beschäftigungsgruppen voraussichtlich unterschiedlich erfolgreich verlaufen. Die berechneten Automatisierungswahrscheinlichkeiten zeigen etwa, dass die Anpassungslast insbesondere bei Geringverdienern und Geringqualifizierten größer ist. Für diese Personen könnte die
Beschäftigungsfähigkeit gesichert werden, indem sie bei ihrem Anpassungsprozess an die neuen Anforderungen unterstützt werden.
Um die besonders betroffenen Arbeitskräfte beim Umgang mit dem Wandel der
Arbeitswelt zu unterstützen, könnten gezielte Fortbildungs- und Qualifikationsmaßnahmen genutzt werden. Solche Maßnahmen wirken sich vor allem mittelund langfristig positiv auf die Teilnehmer aus (Card et al. 2010, Kluve 2013). So
könnten betriebliche Fortbildungen gefördert werden, um Arbeitnehmer im
Umgang mit neuen Technologien zu unterstützen, so dass ihre Arbeitskraft
komplementär statt substitutiv zu neuen Technologien eingesetzt werden kann.
Studien zeigen, dass berufliche Fortbildungsmaßnahmen bei Geringqualifizierten zu einer höheren Beschäftigungsfähigkeit führen (Sanders und de Grip
2004). Die betriebliche Fortbildung erhöht auch die Beschäftigungsfähigkeit von
älteren Arbeitnehmern (Picchio und van Ours 2013). Ebenso könnten Arbeitslose durch Umschulungsmaßnahmen vor allem hinsichtlich schwer automatisierbarer Fähigkeiten gefördert werden. Eine Übersicht zu den Auswirkungen
der aktiven Arbeitsmarktpolitik in Deutschland attestiert den evaluierten Fortund Weiterbildungsprogrammen insgesamt ein positives Ergebnis bezüglich der
Förderwirkung (Bernhard et al. 2009, Kluve 2013). Zukünftige Bildungsprogramme könnten den Fokus dabei noch stärker auf Maßnahmen legen, die dem
Tätigkeitswandel – hin zu kreativen und interaktiven Nichtroutinetätigkeiten –
Rechnung tragen.
Trotz der nachgewiesenen Effektivität nehmen insbesondere Geringqualifizierte seltener an betrieblichen Fortbildungsmaßnahmen teil (Albert et al. 2010,
Bassanini und Ok 2004). Dabei sind Firmen durchaus bereit, in die Fortbildung
ihrer Mitarbeiter zu investieren, unabhängig vom Qualifikationsgrad (Leuven
25
Kurzexpertise Nr.57
and Oosterbeek 1999, Maximiano 2011). Ein Grund für die geringe Teilnahme
von Geringqualifizierten an solchen Maßnahmen sind möglicherweise die geringeren Erträge in Form von höheren Löhnen für diese Beschäftigungsgruppe.
Dies wiederum könnte daran liegen, dass Geringqualifizierte vorwiegend an betriebsinternen Fortbildungsmaßnahmen teilnehmen, die typischerweise mit geringeren Lohnsteigerungen einhergehen als externe Fortbildungen (Kuckulenz
und Zwick 2003). So zeigt eine Studie, dass Geringqualifizierte häufiger an betriebsinternen Fortbildungen teilnehmen, weil sie betriebsintern oft über bessere Karrieremöglichkeiten verfügen als auf dem externen Arbeitsmarkt (Sanders und De Grip 2004). Dies spricht dafür, betriebliche Fortbildung für Geringqualifizierte zu fördern, um deren Verbleib im Betrieb langfristig zu sichern.
Fourage et al. (2013) stellen fest, dass sich die wirtschaftlichen Erträge von Fortbildung zwischen Gering- und Hochqualifizierten nicht unterscheiden. Stattdessen nehmen geringqualifizierte Arbeitnehmer den Autoren nach seltener an
Fortbildungsmaßnahmen teil, weil sie eine geringere Zukunftsorientierung, höhere Präferenzen für Freizeit und relativ ungünstige nicht-kognitive Fähigkeiten
aufweisen, wie etwa eine geringe Offenheit gegenüber neuen Erfahrungen. Hier
könnte die aktive Arbeitsmarktpolitik ansetzen und versuchen, die Teilnahmebereitschaft an Maßnahmen zu erhöhen, indem die Überwindung von Ängsten
und ein stärkeres Bewusstsein für die Chancen der Fortbildung gefördert werden.
Welche Maßnahmen letztlich am geeignetsten sind, um die Anpassung an den
technologischen Wandel zu unterstützen, kann in dieser Expertise nicht abschließend geklärt werden. Die Untersuchungen deuten jedoch darauf hin, dass
der technologische Wandel weiter voranschreitet und sich die Tätigkeitsprofile
und Anforderungen in allen Sektoren stetig verändern. Dies spricht dafür, dass
Beschäftigte zunehmend flexibel sein müssen und ihren komparativen Vorteil
gegenüber neuen Maschinen durch kontinuierliches Weiterbilden aufrechterhalten müssen. Voraussichtlich wird es künftig darauf ankommen, inwieweit
der Staat, die Betriebe sowie die Beschäftigten selbst genügend in Lebenslanges
Lernen investieren, um anpassungs- und beschäftigungsfähig zu bleiben. Dazu
könnten beispielsweise geeignete (finanzielle) Anreize für entsprechende Fortbildungsmaßnahmen sowie das notwenige Bewusstsein in der Gesellschaft für
solche Investitionen geschaffen werden. Fortbildungs- und Qualifikationsmaßnahmen könnten insbesondere zur Unterstützung von Personen eingesetzt
26
Kurzexpertise Nr.57
werden, die besonderen Herausforderungen beim Anpassungsprozess an den
Wandel gegenüberstehen.
Weitere Forschung ist jedoch notwendig, um die gesamtwirtschaftlichen Beschäftigungsverluste zukünftigen technologischen Wandels zu quantifizieren
und geeignete Politikmaßnahmen entwickeln zu können. Dabei sollten verschiedene Aspekte berücksichtigt werden. Erstens sollten Analysen berücksichtigen, dass sich Tätigkeitsstrukturen auch innerhalb von Berufen anpassen können, wie die Forschung belegt (Autor et al. 2003, Spitz-Oener 2006). Hier könnten Expertenbefragungen in Zukunft genutzt werden, um Einschätzungen bezüglich der Substituierbarkeit von Tätigkeiten anstatt Berufen zu erlangen.
Zweitens ist ein besseres Verständnis des Diffusionsprozesses neuer Automatisierungstechnologien notwendig, um das Bedrohungspotential neuer Technologien sowie Anpassungsprozesse in Betrieben besser bewerten zu können. Hier
könnten Unternehmensbefragungen, die den Kapitaleinsatz wie auch den Arbeitseinsatz gleichermaßen tätigkeitsspezifisch erfassen, Einblicke zum Einsatz
arbeitseinsparender Technologien ermöglichen. Aufgrund fehlender Daten liegen hierzu bisher kaum Untersuchungen vor. Drittens setzt die Abschätzung der
Gesamtbeschäftigungseffekte auf den Arbeitsmarkt ein tiefergehendes Verständnis der makroökonomischen Anpassungsprozesse voraus. Aktuelle Studien, wie die von Goos et al. (2014) oder Gregory et al. (2015) liefern vielversprechende erste Ansätze um die empirische Relevanz dieser Transmissionskanäle abschätzen zu können. Hier sind allerdings weitere Analysen erforderlich.
Viertens ist es für die Identifikation geeigneter Politikmaßnahmen notwendig,
die veränderte Nachfrage von Tätigkeiten besser zu verstehen. Dies würde insbesondere ermöglichen, geeignete Fortbildungs- und Qualifikationsmaßnahmen entwickeln zu können. Frey und Osborne bieten hier einen ersten Ansatz
mittels der identifizierten Engpass-Berufe.
27
Kurzexpertise Nr.57
Literaturverzeichnis
7
Acemoglu, D., Autor, D., Dorn, D. und G. H. Hanson (2015): Import Competition
and the Great U.S. Employment Sag of the 2000s, Journal of Labour Economics, im Erscheinen.
Aghion, P. und P. Howitt (1994). Growth and unemployment, The Review of
Economic Studies, 61(3), 477–494.
Albert, C., García-Serrano, C. und Hernanz, V. (2010): On-the-job training in Europe: Determinants and wage returns, International Labour Review,
149(3), 315-341.
Arntz, M., Bonin, H. und U. Zierahn (2014): Auswirkungen des technologischen
Wandels auf den Arbeitsmarkt, Expertise für das Bundesministerium für
Arbeit und Soziales.
Autor, D. (2013): The “tasks approach” to labor markets: an overview. Journal
for Labor Market Research, 46, 185-199.
Autor, D. (2014). Polanyi's Paradox and the Shape of Employment Growth. Paper prepared for Federal Reserve Bank of Kansas, Jackson Hole Conference, August 22, 2014.
Autor, D. H., Levy, F., & Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. The Quarterly Journal of
Economics, 1279-1333.
Autor, D. und Handel, M. (2013). Putting Tasks to the Test: Human Capital, Job
Tasks, and Wages. Journal of Labor Economics, Vol. 31, S59-S96.
Bassanini, A. und Ok, W. (2004). How do firms‘ and individuals’ incentives to
invest in human capital vary across groups?, OECD, Paris, unveröffentlicht.
Bernhard, S., Hohmeyer, K., Jozwiak, E., Koch, S., Kruppe, T., Stephan, G., &
Wolff, J. (2009). Aktive Arbeitsmarktpolitik in Deutschland und ihre Wirkungen. Handbuch Arbeitsmarkt, 149-201
28
Kurzexpertise Nr.57
Boston Consulting Group (2015). Back to the Future: The Road to Autonomous
Driving, http://de.slideshare.net/TheBostonConsultingGroup/the-roadto-autonomous-driving
Bowles, J. (2014). The computerization of European Jobs. Bruegel, Brussels.
Bundesagentur für Arbeit (2011). Klassifikation der Berufe 2010 – Band 1: Systematischer und alphabetischer Teil mit Erläuterungen. Nürnberg.
Bundesagentur für Arbeit (2014). Sozialversicherungspflichtig und geringfügig
Beschäftigte nach der ausgeübten Tätigkeit der Klassifikation der Berufe
(KldB 2010) und ausgewählten Merkmalen, Stichtag: 31. März 2014.
Nürnberg.
Bureau of Labor Statistics (2010). 2010 SOC User Guide. Washington.
Bureau of Labor Statistics (2015). Occupational Employment Statistics. May
2010, http://www.bls.gov/oes/2010/may/oes_nat.htm.
Card, D., Kluve, J. und Weber, A. (2010). Active Labour Market Policy Evaluations: A Meta-Analysis, The Economic Journal, 120, F452-F477.
Fouarge, D., Schils, T., & De Grip, A. (2013). Why do low-educated workers invest less in further training?. Applied Economics, 45(18), 2587-2601.
Frey, C. & Osborne, M. A. (2013). The Future of Employment: How Susceptible
are Jobs to Computerization?. University of Oxford.
Goos, M., Manning, A., & Salomons, A. (2014). Explaining job polarization: routine-biased technological change and offshoring. The American Economic Review, 104(8), 2509-2526.
Graetz, G. und G. Michaels (2015). Robots and Work, IZA Discussion Paper No.
8938.
Gregory, T., Salomons, A. & Zierahn, T. (2015). Technological Change and Regional Labor Market Disparities in Europe. Centre for European Economic Research, Mannheim.
Ibrahim, J. G. (1990). Incomplete Data in Generalized Linear Models. Journal oft
he American Statistical Association, Vol. 85, No. 411, 765-769.
29
Kurzexpertise Nr.57
International Labour Office (2012). International Standard Classification of Occupations. Structure, group definitions and correspondence tables. Geneva
Janssen, S. und J. Mohrenweiser (2014). Skill supply, technology, and wages.
Evidence from regulatory changes of mandatory training regulations,
paper presented at the TASKS III Conference in Nurnberg, May 26th28th, 2014, MIMEO.
Kluve, J. (2013). Aktive Arbeitsmarktpolitik. Maßnahmen, Zielsetzungen, Wirkungen, Arbeitspapier 07/2013, Sachverständigenrat zur Begutachtung
der gesamtwirtschaftlichen Entwicklung.
Kuckulenz, A. und Zwick, T. (2003). The Impact of Training on Earnings: Differences Between Participant Groups and Training Forms, ZEW Discussion
Paper No. 03-57.
Leuven, E. und Oosterbeek, H. (1999). Demand and supply of work-related training: evidence from four countries, Research in Labor Economics, 18,
303-33.
Maximiano, S. (2011). Two to tango: the determinants of workers’ and firms’
willingness to participate in job-related training, unveröffentlicht.
Organisation for Economic Co-operation and Development (OECD, 2013): Programme for International Assessment of Adult Competencies (PIAAC),
Public Use File, Paris.
Pajarinen, M. & Rouvinen, P. (2014). Computerization Threatens One Third of
Finnish Employment, ETLA Brief 22, 13 January 2014.
Papke, L. & Wooldridge, J. M. (1996). Econometric Methods for Fractional Response Variables with an Application to 401(K) Plan Participation Rates.
Journal of Applied Econometrics, Vol. 11, 619-632.
Picchio, M., & Van Ours, J. C. (2013). Retaining through training even for older
workers. Economics of Education Review, 32, 29-48.
Sanders, J., & De Grip, A. (2004). Training, task flexibility and the employability
of low-skilled workers. International Journal of Manpower, 25(1), 73-89.
30
Kurzexpertise Nr.57
Spitz-Oener, A. (2006). Technical Change, Job Tasks, and Rising Educational Demands: Looking outside the Wage Structure. Journal of Labor Economics, Vol. 24, 235-270.
31
Kurzexpertise Nr.57
Anhang
8
Anhang
8.1
Berufsklassifikationen
In dieser Expertise werden drei Berufsklassifikationen verwendet, die US-amerikanische Standard Occupational Classification (SOC) in der Ausgabe 2010, die
International Standard Classification of Occupations (ISCO) des International Labour Office in der Ausgabe 2008 und die deutsche Klassifikation der Berufe
(KldB) in der Ausgabe 2010. Die Klassifikationen sind in unterschiedliche Ebenen
unterteilt. Jede Ausprägung ist durch eine eindeutige Nummer gekennzeichnet.
Anhand der Anzahl der Stellen dieser Nummer kann auf die Ebene geschlossen
werden. Zum Beispiel enthalten diedetailed occupations der SOC (6-Steller) 840
detaillierte Berufe. Im Vergleich dazu können in der KldB 700Berufsgruppen (4Steller) oder 1286 Berufsgattungen (5-Steller) unterschieden werden. Die SOC6-Steller haben somit einen geringeren Detailgrad als die KldB-4-Steller. Die detaillierteste ISCO-Ebene (4-Steller) umfasst 436 Ausprägungen und ist damit vergleichbar zu den SOC-5-Stellern.
Tabelle 1: Berufsklassifikationen
Stellen
Ebene
Anzahl der Klassen
Standard Occupational Classification (SOC) 2010
2
major group
23
3
minor group
97
5
broad occupation
461
6
detailed occupation
840
International Standard Classification of Occupations (ISCO) 2008
1
major group
10
2
sub-major group
43
3
minor group
130
4
unit group
436
Klassifikation der Berufe (KldB) 2010
1
Berufsbereich
10
2
Berufshauptgruppe
37
3
Berufsgruppe
144
4
Berufsuntergruppe
700
5
Berufsgattung
1286
Quellen: Bundesagentur für Arbeit (2011), International Labour Office (2012), U.S. Bureau
of Labour Statistics (2010).
32
Kurzexpertise Nr.57
Anhang
Für den Umstieg zwischen den Klassifikationen werden Korrespondenztabellen
verwendet. Eine Korrespondenztabelle zum Umstieg zwischen der SOC- und der
ISCO-Klassifikation liefert das Bureau of Labour Statistics.4 Die Bundesagentur
für Arbeit liefert Korrespondenztabellen für den Umstieg zwischen der KldBund der ISCO-Klassifikation.5
8.2
Zuordnungsproblem und Lösungsansätze
Für die berufsbasierte Übertragung der Automatisierungswahrscheinlichkeit
stehen zwei alternative Ansätze zur Verfügung, der Medianwert-Ansatz und der
Gleichverteilungsansatz (siehe Kapitel 3.1). Für die vorliegende Studie wird der
Gleichverteilungsansatz gewählt, da dieser bessere Ergebnisse liefert. Nachfolgend werden die Ergebnisse mit denen des Medianwert-Ansatzes gegenübergestellt.
0
Automatisierungswahrscheinlichkeit (%)
20
40
60
80
100
Abbildung 7: ISCO-Berufe und Automatisierungswahrscheinlichkeit
11 22 25 26 14 34 53 31 33 74 91 93 63 83 92 75 73 52 95 82
23 12 21 13 24 32 54 51 61 35 62 71 72 96 94 81 44 42 41 43
4
http://www.bls.gov/soc/soccrosswalks.htm
5
https://statistik.arbeitsagentur.de/nn_237808/Statischer-Content/Grundlagen/
Klassifikation-der-Berufe/KldB2010/Arbeitshilfen/Umsteigeschluessel/
Umsteigeschluessel.html
33
Kurzexpertise Nr.57
Anhang
Tabelle 2: ISCO-Codes und -Berufe
ISCO
11
12
13
14
Beruf
Geschäftsführer, Vorstände
Kaufmännische Fürhuntskräfte
Führungskräfte i.d. Produktion
Führungskräfte im Dienstleistungsbereich
ISCO
52
53
54
61
21
22
23
24
25
Naturwiss., Mathematiker und Ingenieure
Akadem. Gesundheitsberufe
Lehrkräfte
Akadem. Betriebswirte
Akademische IKT-Fachrkäfte
62
71
72
73
74
Akadem. Juristen, Sozialwisse., Kulturberufe
Ingenieurtechn. Fachkräfte
Assistenz-Gesundheitsberufe
Nicht-akadem. Betriebswirte
Nicht-Akadem. Juristen, Sozialwisse.,
34 Kulturberufe
75
81
82
83
26
31
32
33
35 Nicht-akadem. IKT-Fachkräfte
41 Büro- und Sekretariatskräfte
42 Bürokräfte mit Kundenkontakt
43 Bürokräfte im Finanz- und Rechnungswesen
44 Sonstige Bürokräfte
51 Personenbezogene Dienstleistungen
Beruf
Verkaufskräfte
Betreuungsberufe
Sicherheitsbedienstete
Fachkräfte in der Landwirtschaft
Fachkräfte in Forstwirtschaft, Fischerei und
Jagd
Bau- und Ausbaufachkräfte
Metallarbeiter, Mechaniker
Präzisions-/ kunsthandwerker
Elektriker- und Elektroniker
Nahrungsmittel-/ Holz/ Bekleidungsverarbeitung
Fachkräfte
Montageberufe
Fahrzeugführer
91 Reinigungspersonal und Hilfskräfte
Hilfsarbeiter in der Land- und Forstwirtschaft
92 und Fischerei
Hilfsarbeiter im Bergbau, im Bau, bei der
93 Herstellung von Waren und im Transportwesen
94 Hilfskräfte in der Nahrungsmittelzubereitung
Straßenhändler und auf der Straße arbeitende
95 Dienstleistungskräfte
Abfallentsorgungsarbeiter und sonstige
96 Hilfsarbeitskräfte
Die beiden Ansätze stellen unterschiedliche Herangehensweisen für den Umgang mit dem Zuordnungsproblem dar. Das Zuordnungsproblem bedeutet, dass
jedem ISCO-Beruf mehrere SOC-Berufe und somit mehrere Automatisierungswahrscheinlichkeiten zugeordnet werden können. In Abbildung 7 wird für jeden
ISCO-Beruf (horizontale Achse, jede Nummer steht für einen ISCO-Beruf) die
Verteilung der möglichen Automatisierungswahrscheinlichkeiten als Boxplot
dargestellt. Aus der Abbildung wird deutlich, dass es eine große Zahl an Berufen
gibt, bei denen keine klare Automatisierungswahrscheinlichkeit zugeordnet
werden kann, was vor allem Berufe in der Mitte der Abbildung betrifft. Allerdings gibt es an den beiden Enden der Abbildungen Berufe, bei denen die Zuordnung der Automatisierungswahrscheinlichkeit vergleichsweise klar ist –
ihnen werden entweder sehr geringe (z.B. ISCO-Berufe 22, 23, 11, 13 25) oder
sehr hohe (z.B. ISCO-Berufe 95, 41, 43, 82, 92, 94) Automatisierungswahrscheinlichkeiten zugewiesen. Die Berufsbezeichnung zu den ISCO-Codes sind in Tabelle 2 abgetragen.
34
Kurzexpertise Nr.57
Anhang
Abbildung 8: Zuordnungsproblem (3-Steller-Ebene)
25%
20%
15%
Original (SOC 6-Steller)
Medianwert-Ansatz (SOC 3-Steller)
Medianwert-Ansatz (ISCO 3-Steller)
Gleichverteilungsansatz (ISCO 3-Steller)
10%
5%
0%
Quelle: Frey und Osborne (2013), Bureau of Labor Statistics (2015), Berechnungen des ZEW.
Die Auswirkungen des Zuordnungsproblems werden in Abbildung 8 für die USA
verdeutlicht. Die Abbildung zeigt die Beschäftigungsanteile in den Risikokategorien in den USA. In der Originalreihe (dunkelblaue Linie) auf SOC 6-Steller-Ebene
sind die Pole (sehr hohe und sehr geringe Automatisierungswahrscheinlichkeit)
stark besetzt. Werden die Originaldaten hingegen auf die 3-Steller-Ebene aggregiert, wobei jedem 3-Steller-Beruf der Median der Automatisierungswahrscheinlichkeiten der eingeschlossenen 6-Steller-Berufe zugewiesen wird (Medianwertansatz), so verschiebt sich der rechte Pol leicht zur Mitte (hellblaue Linie). Je gröber die Berufsklassifikation, über desto mehr Automatisierungswahrscheinlichkeiten muss zur Übertragung der Median gebildet werden, so dass besonders hohe oder geringe Werte seltener werden. Dieses Phänomen wird verstärkt, wenn die Daten zusätzlich auf die ISCO-3-Steller-Ebene übertragen werden (rote Linie), da dies zu weiteren Unschärfen führt.
35
Kurzexpertise Nr.57
Anhang
Abbildung 9: Zuordnungsproblem (5-/4-Steller-Ebene)
20%
15%
10%
Original (SOC 6-Steller)
Medianwert-Ansatz (SOC 5-Steller)
Medianwert-Ansatz (ISCO 4-Steller)
Gleichverteilungsansatz (ISCO 4-Steller)
5%
0%
Quelle: Frey und Osborne (2013), Bureau of Labor Statistics (2015), Berechnungen des ZEW.
Anstatt des Medianwertansatzes kann einGleichverteilungsansatzverfolgt werden. Dazu wird unterstellt, dass sich die Beschäftigten eines 3-Steller-Berufes
gleichmäßig auf die möglichen Automatisierungswahrscheinlichkeiten der Originaldaten verteilen. Da dies nicht zwangsläufig zutrifft, kommt es zu einer gewissen Unschärfe. Aus der Abbildung wird jedoch deutlich, dass die Übertragung auf Basis des Gleichverteilungsansatzes (gelbe Linie) genauer ist als die
Übertragung auf Basis des Medianwertansatzes.
Werden die Daten nicht auf die ISCO- und SOC-3-Steller, sondern auf die ISCO4-Steller und SOC-5-Steller aggregiert (SOC-5- und ISCO-4-Steller sind vom Detailgrad vergleichbar, siehe Anhang 8.1), so fällt die Abweichung des Medianwertansatzes von den Originaldaten kleiner aus. Dennoch liefert auch hier der
Gleichverteilungsansatz bessere Ergebnisse (siehe Abbildung 9).
8.3
Ökonometrisches Modell zum tätigkeitsbasierten Ansatz
8.3.1
Gewichtungsansatz
Ziel des Gewichtungsansatzes ist es zu schätzen, wie die Automatisierungswahrscheinlichkeit (y) von den Charakteristika (x) der Arbeitsplätze – insbesondere
der Tätigkeiten – abhängt. Allerdings können jedem Arbeitsplatz aufgrund des
36
Kurzexpertise Nr.57
Anhang
Zuordnungsproblems mehrere Automatisierungswahrscheinlichkeiten zugewiesen werden. Jedem Arbeitsplatz wird zunächst jede mögliche Automatisierungswahrscheinlichkeit zugewiesen. Die Beobachtungen für jeden Arbeitsplatz
werden dadurch entsprechend der Anzahl der möglichen Automatisierungswahrscheinlichkeiten dupliziert. Um die korrekte Arbeitsplatzzahl zu erhalten,
werden die duplizierten Beobachtungen mit der Zahl der Duplikate gewichtet.
Im Gewichtungsansatz werden die Gewichte anhand der Informationen der Daten und des Modells optimiert. Inhaltlich wird für jeden Arbeitsplatz versucht
jene Automatisierungswahrscheinlichkeit unter der Menge der für den Arbeitsplatz möglichen Automatisierungswahrscheinlichkeiten zu identifizieren, welche aufgrund der Charakteristika des Arbeitsplatzes am wahrscheinlichsten ist.
Dazu wird folgendes ökonometrisches Modell geschätzt:
=
+
Dabei steht y für die Automatisierungswahrscheinlichkeit,x gibt die Charakteristika des Arbeitsplatzes wieder, β steht für die zu schätzenden Parameter
(konkret: den Einfluss der Charakteristika auf die Automatisierungswahrscheinlichkeit) und ε für Zufallsfehler. Da die Automatisierungswahrscheinlichkeit y
auf das Intervall 0% bis 100% beschränkt ist, wird ein Generalized Linear Model
basierend auf Papke und Wooldridge (1996) geschätzt. In diesem Modell wird
die abhängige Variable auf ein unbeschränktes Intervall transformiert. Zusätzlich zu den Gewichten werden die Replikationsgewichte des PIAAC-Datensatzes
verwendet, um das komplexe Survey-Design zu berücksichtigen.
Die Optimierung der Gewichte erfolgt anhand des folgenden Algorithmus, der
auf Ibrahim (1990) beruht. Im ersten Schritt wird unter Verwendung der Startgewichte das Modell geschätzt. Aus dem Modell wird im zweiten Schritt die geschätzte Automatisierungswahrscheinlichkeit berechnet und mit den zugewiesenen Automatisierungswahrscheinlichkeiten verglichen. Aus diesem Vergleich
können die optimierten Gewichte berechnet werden.
Diese beiden Schritte werden so lange wiederholt, bis die Gewichte konvergieren. Der Algorithmus liefert schließlich das Modell, das aufgrund der Modellstruktur, der vorliegenden Automatisierungswahrscheinlichkeiten und der Tätigkeitsstrukturen am wahrscheinlichsten ist. Der Algorithmus kann eine klarere
Trennung von Arbeitsplätzen mit hoher und geringer Automatisierungswahrscheinlichkeit liefern als die einfache Annahme der Gleichverteilung. Er kann die
37
Kurzexpertise Nr.57
Anhang
Automatisierungswahrscheinlichkeit der Arbeitsplätze umso klarer abgrenzen,
je stärker sich die Tätigkeitsstrukturen zwischen den Arbeitsplätzen unterscheiden. Die Abgrenzung der Automatisierungswahrscheinlichkeit beruht somit auf
der Ausgangshypothese, dass sich Tätigkeitsstrukturen zwischen Arbeitsplätzen
mit unterschiedlichen Berufen und damit unterschiedlichen von Frey und Osborne zugewiesenen Automatisierungswahrscheinlichkeiten unterscheiden. Ist
diese Hypothese nicht erfüllt, so kann durch den Ansatz keine klare Trennung
vorgenommen werden, weil diese Hypothese von den Daten nicht gestützt
wird.
8.3.2
Variablen und Definitionen
Das ökonometrische Modell umfasst diverse Variable. Nachfolgend werden die
Variablen erläutert.
Die Tätigkeitsmaße6 werden im PIAAC erfasst, indem die Teilnehmer des PIAAC
nach der Häufigkeit der Ausübung dieser Tätigkeiten befragt werden. Für die
vorliegende Kurzexpertise werden die Tätigkeitsmaße in Arbeitszeitanteile umgerechnet. Dazu werden die Ausprägungen zunächst auf eine Arbeitszeit-Skala
übertragen (z.B. wird „weniger als 1 mal im Monat“ zu 1/30, „weniger als 1 mal
pro Woche“ zu 1/7 usw. umdefiniert7). Es werden sodann die Arbeitszeiten über
alle Tätigkeiten summiert und die Arbeitszeit pro Tätigkeit wird durch diese
Summe geteilt. Dadurch erhält man den Anteil der Arbeitszeit, der für die spezifische Tätigkeit verwendet wird (dies unterstellt, dass die Tätigkeiten nicht
gleichzeitig ausgeübt werden).
Die weiteren Variablen sind wie folgt definiert:
•
•
•
6
Geschlecht: Männer (0); Frauen (1).
Altersgruppen: 16-19 (1); 20-24 (2); 25-29 (3); 30-34 (4); 35-39 (5); 4044 (6); 45-49 (7); 50-54 (8); 55-59 (9); 60-65 (10).
Bildung: ISCED 0, 1, 2, 3C (kurz) (1), ISCED 3A-B, 3C (lang), 4A-B-C, 5B (2),
ISCED 5A 6 (3).
Welche der Variablen Tätigkeitsmaße sind, wird in Tabelle 3 definiert.
7
Es wird damit jeweils der maximal mögliche Wert gewählt. Dies ist jedoch unerheblich, da
die Arbeitszeit-Werte anschließend durch die Summe dieser Werte über alle Tätigkeiten
hinweg dividiert werden.
38
Kurzexpertise Nr.57
Anhang
•
•
•
•
•
•
•
•
•
•
•
•
Sektor: privater Sektor (0); öffentlicher Sektor oder Organisationen
ohne Erwerbszweck (1).
Zahl der Mitarbeiter: 1-10 (1); 11-1000 (2); mehr als1000 (3).
Befragter ist Vorgesetzter: ja (1); nein (2).
Bildungsanforderungen des Jobs: ISCED 0-4 (0); ISCED 5-6 (1).
Benötigte Berufserfahrung des Jobs: weniger als 1 Jahr (0); mindestens
1 Jahr (1).
Gehaltstyp: Stück-/Stundenlohn oder kein Gehalt (0); monatliches/jährliches Gehalt (1).
Erfahrung mit Computern im Beruf: ja (0); nein (1).
Niveau der Computernutzung: einfach (0); moderat oder komplex (1).
Im Beruf nicht genügend gefordert: ja (1); nein (2).
Im Beruf mehr Training erforderlich: ja (1); nein (2).
Jährliches Einkommen. Die Befragten werden nach den Quartilen der
Lohnverteilung unterschieden: 0% bis <10% (1); 10% bis <25% (2); 25%
bis <50% (3); 50% bis <75% (4); 75% bis <90% (5) 90% oder mehr (6).
Mit anderen Kooperieren: gar nicht (1); bis zu 25% der Arbeitszeit (2);
bis zu 50% der Arbeitszeit (3); mehr als 50% der Arbeitszeit (4); während
der gesamten Arbeitszeit (5).
39
Kurzexpertise Nr.57
Anhang
Tabelle 3: Modelle und Variablen
Nam e
gender
AGEG5LFS
education
pvlit
pvnum
pvpsl
D_Q03
D_Q06a
D_Q08a
D_Q12a
D_Q12c
D_Q16a
G_Q04
G_Q06
F_Q07a
F_Q07b
Persönliche Charakteristika
Inhalt
Geschlecht
Altersgruppen
Bildung
Lese-/ Schreibfähigkeiten
Numerische Fähigkeiten
Problemlösungskompetenz
Sektor
Zahl der Mitarbeiter
Befragter ist Vorgesetzter (ja/ nein)
Bildungsanforderungen des Jobs
Benötigte Berufserfahrung des Jobs
Gehaltstyp (Stück-/ Stunden/ Monatslohn)
Erfahrung mit Computern im Beruf
Niveau der Computernutzung
Nicht genügend gefordert
Mehr Training notwendig
YEARLYINCPR Jährliches Einkommen
Nam e
F_Q01b
F_Q02a
F_Q02b
F_Q02c
F_Q02d
F_Q02e
F_Q03a
F_Q03b
F_Q03c
F_Q04a
F_Q04b
F_Q05a
F_Q05b
F_Q06b
F_Q06c
G_Q01a
G_Q01d
G_Q01e
G_Q01f
G_Q02b
G_Q02d
G_Q03c
G_Q03h
G_Q05c
G_Q05g
G_Q05h
Tätigkeiten
Inhalt
Mit anderen Kooperieren
Informationen austauschen
Personen unterrichten
Präsentieren
Verkaufen
Beraten
Eigene Aktivitäten planen
Aktivitäten anderer planen
Eigene Zeit organisieren
Personen beeinflussen
Mit Personen verhandeln
Einfache Probleme lösen
Komplexe Probleme lösen
Lange physisch arbeiten
Hände oder Finger nutzen
Anweisungen lesen
Professionelle Zeitschriften oder
Publikationen lesen
Bücher lesen
Anleitungen lesen
Artikel schreiben
Formulare ausfüllen
Anteile oder Prozente berechnen
Komplexe Mathematik oder Statistik
nutzen
Internetnutzung für Arbeitsbezogene Informationen
Programmiersprachen nutzen
Kommunikationssoftware nutzen
Quelle: Darstellung des ZEW, OECD (2013).
8.3.3
Variablen und ihr Einfluss auf die Automatisierung
Die tätigkeitsbasierte Übertragung beruht für Deutschland und die USA auf
demselben Modell und den gleichen geschätzten Parametern, d.h. auf demselben Zusammenhang zwischen Tätigkeiten und Automatisierungswahrscheinlichkeit. Unterschiede in dem geschätzten Automatisierungswahrscheinlichkeiten zwischen Deutschland und den USA können somit nur aufgrund unterschiedlicher Tätigkeitsstrukturen zustande kommen. Dazu wird in Tabelle 4 für
40
Kurzexpertise Nr.57
Anhang
jede Variable dargestellt, wie sie sich auf die Automatisierungswahrscheinlichkeit auswirkt, sowie die Ausprägung der Variablen in Deutschland und den USA
(als Mittelwert und Median). „+“ bedeutet, dass ein höherer Wert der Variable
mit einer höheren Automatisierungswahrscheinlichkeit einhergeht, „-“ entsprechend umgekehrt. Wird kein Zeichen ausgewiesen, so liegt kein signifikanter Effekt vor.
Aus den Ergebnissen lässt sich kein klares Bild darüber entwickeln, welche Variablen dafür verantwortlich sind, dass der tätigkeitsbasierte Ansatz zu einem höheren Anteil von Personen mit vergleichsweise hoher Automatisierungswahrscheinlichkeit in Deutschland kommt. Teilweise sprechen die Variablen und ihre
Effekte für ein höhere, teilweise für ein geringere Automatisierungswahrscheinlichkeit in Deutschland. Die Automatisierungswahrscheinlichkeit ist in Deutschland daher nicht aufgrund einzelner Tätigkeiten höher. Stattdessen ist sie in
Deutschland höher, weil im Schnitt in Deutschland häufiger jene Tätigkeiten
ausgeführt werden, welche zu einer höheren Automatisierungswahrscheinlichkeit führen, ohne dass dies durchweg über alle Tätigkeiten gilt.
Vergleicht man nur die Mittelwerte der Variablen zwischen den USA und
Deutschland, so sind die Unterschiede nicht sehr groß. Kleine Unterschiede in
den Mittelwerten können aber dennoch mit großen Unterschieden in den Verteilungen der Variablen einhergehen. Dies ist insbesondere dann zu vermuten,
wenn eines der Länder eher Spezialisten, das andere eher Generalisten beschäftigt. Ein genauerer Vergleich der Verteilungen offenbart, dass die Tätigkeiten
Personen unterrichten, Präsentieren, Aktivitäten Anderer planen und Bücher/Anleitungen lesen sehr unterschiedlich zwischen Deutschland und den
USA verteilt sind – in den USA führen mehr Beschäftigte diese Tätigkeiten besonders häufig aus.
Beim Vergleich der Effekte der Tätigkeiten fällt auf, dass fast alle Tätigkeiten
(wenn sie häufiger ausgeführt werden) zu einer höheren Automatisierungswahrscheinlichkeit führen. Dies liegt daran, dass die Tätigkeitsvariablen des
PIAAC-Datensatzes überwiegend solche Tätigkeiten widerspiegeln, welche
schwer durch Computerprogramme erfasst werden können (nicht-Routinetätigkeiten, interaktive Tätigkeiten, etc.).
41
Kurzexpertise Nr.57
Anhang
Tabelle 4: Variablen und ihr Einfluss auf die
Automatisierungswahrscheinlichkeit (AW)
Variable
Deutschland
M ittelw ert
M edian
Geschlecht
0.48
0.00
Altersgruppe
5.74
6.00
Bildung
2.12
2.00
276.99
280.67
Rechnerische Fähigkeiten
281.14
284.46
285.99
288.51
Sektor
0.25
0.00
1.87
2.00
1.73
2.00
0.34
0.00
0.40
0.00
Gehaltstyp (Stück-/ Stunden-/ Monatslohn)
0.87
1.00
0.27
0.00
0.65
1.00
1.07
1.00
1.52
2.00
Einkommen
0.22
0.00
Tätigkeiten
3.24
3.00
0.07
0.06
0.01
0.00
Präsentieren
0.01
0.00
Verkaufen
0.02
0.00
Beraten
0.03
0.03
0.03
0.02
0.01
0.00
0.06
0.05
0.03
0.03
0.02
0.00
0.05
0.05
0.02
0.01
0.06
0.03
0.07
0.06
Anweisungen lesen
0.04
0.04
Professionelle Zeitschriften oder
Publikationen lesen
0.02
0.01
Bücher lesen
0.01
0.00
Anleitungen lesen
0.02
0.01
Artikel schreiben
0.00
0.00
0.03
0.02
0.02
0.00
Komplexe Mathematik oder Statistik nutzen
0.00
0.00
Internetnutzung für Arbeits-bezogene
Informationen
0.03
0.04
0.00
0.00
0.00
0.00
USA
M ittelw ert
M edian
Einfluss
aufAW
0.51
5.72
2.27
276.93
262.34
280.02
0.27
1.91
1.67
0.39
0.48
0.41
0.23
0.62
1.07
1.78
0.31
1.00
6.00
2.00
281.26
265.81
282.50
0.00
2.00
2.00
0.00
0.00
0.00
0.00
1.00
1.00
2.00
0.00
-
3.70
0.05
0.03
0.01
0.02
0.04
0.04
0.02
0.05
0.03
0.02
0.05
0.02
0.05
0.07
0.04
4.00
0.05
0.01
0.00
0.00
0.04
0.04
0.01
0.05
0.03
0.01
0.04
0.02
0.04
0.05
0.04
0.01
0.01
0.02
0.00
0.03
0.03
0.00
0.00
0.00
0.01
0.00
0.03
0.02
0.00
-
0.04
0.00
0.01
0.04
0.00
0.00
-
+
+
-
-
+
+
-
-
42
Kurzexpertise Nr.57
Anhang
8.4
Variation der Tätigkeitsstrukturen zwischen Berufen
Tätigkeitsstrukturen unterscheiden sich nicht nur zwischen Berufen, sondern
auch Beschäftigte desselben Berufes führen teilweise sehr unterschiedliche Tätigkeiten an ihren Arbeitsplätzen aus. Um dies anhand der PIAAC-Daten zu verdeutlichen wird analysiert, welcher Teil der Variation der Tätigkeiten und persönlichen Charakteristika innerhalb, und welcher zwischen Berufen stattfindet.
Dazu wird eine Varianzanalyse (ANOVA) für jede persönliche Charakteristika berechnet und der Anteil der Abweichungsquadratsumme berechnet, welcher
durch die Berufe erklärt werden kann (siehe Tabelle 5). Für jede persönliche
Charakteristika wird eine einzelne ANOVA geschätzt, welche die Berufsebene
(ISCO-2-Steller) als einzige Faktorvariable enthält. Die Berufe liefern für fast alle
Charakteristika einen signifikanten Erklärungsbeitrag, außer für die Variable
„Nicht genügend gefordert“ (siehe Spalte „p“ für Deutschland oder die USA,
welche jeweils das Signifikanzniveau des ANOVA-Modells angibt). Die Spalte
„MSS/TSS“ gibt den durch das Modell (d.h. durch die Berufe) erklärten Anteil
der Abweichungsquadrate (MSS) an der Gesamtsumme der Abweichungsquadrate (TSS) wieder. Allerdings ist der Anteil der erklärten Abweichungen in vielen
Fällen vergleichsweise klein, was bedeutet, dass auch Beschäftigte desselben
Berufes zum Teil sehr unterschiedliche Tätigkeitsstrukturen aufweisen können.
43
Kurzexpertise Nr.57
Anhang
Tabelle 5: Variation der Tätigkeiten zwischen den Berufen
D eutschland
Variable
p
M SS/TSS
Geschlecht
0.000
30.7%
Altersgruppe
0.000
4.2%
Bildung
0.000
46.6%
0.000
23.6%
Rechnerische Fähigkeiten
0.000
25.7%
0.000
17.9%
Sektor
0.000
26.9%
0.000
14.9%
0.000
14.1%
0.000
48.7%
0.000
15.0%
Gehaltstyp (Stück-/ Stunden-/ Monatslohn)
0.000
9.6%
0.000
36.8%
0.000
23.4%
0.000
10.1%
0.000
14.5%
0.000
17.9%
Präsentieren
0.000
28.1%
Verkaufen
0.000
28.0%
Beraten
0.000
21.6%
0.000
4.2%
0.000
4.3%
0.000
15.1%
0.000
6.1%
0.000
7.4%
0.000
6.1%
0.000
9.5%
0.000
46.2%
0.000
29.9%
0.422
0.9%
0.000
12.3%
Anweisungen lesen
0.000
8.0%
Professionelle Zeitschriften oder Publikationen lesen0.000
12.8%
Bücher lesen
0.000
17.7%
Anleitungen lesen
0.000
8.0%
Artikel schreiben
0.000
3.7%
0.000
9.7%
0.000
8.1%
Komplexe Mathematik oder Statistik nutzen
0.000
8.4%
Internetnutzung für Arbeits-bezogene Informationen 0.000
18.5%
0.000
21.2%
0.000
3.4%
Einkommen
0.000
26.6%
USA
p
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.409
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
M SS/TSS
25.9%
9.0%
36.4%
22.7%
23.3%
15.2%
21.6%
9.2%
23.0%
50.9%
21.9%
29.2%
30.2%
22.2%
8.4%
10.8%
7.8%
15.9%
23.3%
3.8%
4.3%
11.6%
6.8%
7.4%
5.2%
6.6%
4.2%
34.8%
22.9%
1.1%
2.7%
5.8%
12.9%
16.0%
4.3%
5.0%
8.8%
7.9%
5.7%
14.3%
19.1%
11.7%
27.9%
MSS: Abweichungsquadratsumme des Modells; TSS: Gesamte Abweichungsquadratsumme
44

Ãbertragung der Studie von Frey/Osborne (2013) auf Deutschland

Transcription

Similar documents

Unternehmensmappe

nein - Unterverband ZÃ¼rich der SFKV

Einladung 16.04.2015: Schulterchirurgie

Am 22. April fand an der Hochschule in Kempten unter der Devise

Miteinander FrÃ¼hjahr 2015 - Diakoniestation Stuttgart

ZEW Wirtschaftsforum 2015

KONSORTIAL-BENCHMARKING

Prospekt Allgemein - Beus Wasseraufbereitung

30 Jahre Zahnarztpraxis Dr. Heck

ZEW Finanzmarktreport - Zentrum fÃ¼r EuropÃ¤ische

Ãbertragung der Studie von Frey/Osborne (2013) auf Deutschland

Transcription

Similar documents

Ãbertragung der Studie von Frey/Osborne (2013) auf Deutschland